Nous présentons ReCo, un cadre d'apprentissage contrastif conçu à l'échelle régionale afin d'assister l'apprentissage en segmentation sémantique. ReCo effectue un apprentissage contrastif au niveau des pixels, supervisé ou semi-supervisé, sur un ensemble éparse de pixels négatifs difficiles, avec une surcharge mémoire négligeable. ReCo est facile à implémenter, puisqu'il repose sur des réseaux de segmentation standards disponibles commercialement, et améliore de manière cohérente les performances des méthodes de segmentation sémantique supervisées comme semi-supervisées, en produisant des frontières de segmentation plus lisses et une convergence plus rapide. Son effet le plus marqué se manifeste dans l'apprentissage semi-supervisé avec très peu d'étiquettes. Grâce à ReCo, nous parvenons à des modèles de segmentation sémantique de haute qualité, nécessitant uniquement 5 exemples par classe sémantique. Le code est disponible à l'adresse suivante : https://github.com/lorenmt/reco.