Bien que l'architecture Transformer soit devenue la norme de facto pour les tâches de traitement du langage naturel, ses applications en vision par ordinateur restent limitées. En vision, l'attention est soit combinée avec des réseaux de convolution (CNN), soit utilisée pour remplacer certains composants des CNN tout en conservant leur structure globale. Nous montrons que ce recours aux CNN n'est pas nécessaire : un Transformer pur appliqué directement à des séquences de patches d'image peut obtenir de très bons résultats sur des tâches de classification d'images. Lorsqu'il est pré-entraîné sur de grandes quantités de données et transféré vers plusieurs benchmarks de reconnaissance d'images de taille moyenne ou petite (ImageNet, CIFAR-100, VTAB, etc.), le Vision Transformer (ViT) atteint des performances excellentes comparées aux réseaux de convolution d'avant-garde, tout en nécessitant significativement moins de ressources computationnelles pour l'entraînement.