La reconnaissance faciale a connu des progrès significatifs durant l’ère du deep learning, grâce à l’existence de jeux de données ultragrandes et bien étiquetés. Toutefois, l’entraînement sur de tels jeux de données volumineux est chronophage et consomme une quantité importante de ressources matérielles. Il est donc indispensable de concevoir une approche d’entraînement efficace. Les coûts computationnels et mémoire élevés proviennent principalement de la dimensionnalité au niveau du million de neurones dans la couche entièrement connectée (FC). À cet effet, nous proposons une nouvelle méthode d’entraînement, nommée Faster Face Classification (F2C), visant à réduire le temps et les coûts sans compromettre les performances. Cette méthode utilise un mécanisme appelé Dynamic Class Pool (DCP) pour stocker et mettre à jour dynamiquement les caractéristiques des identités, pouvant être considéré comme une alternative à la couche FC. Le DCP est particulièrement efficace en termes de temps et de coûts, grâce à sa taille réduite et à son indépendance vis-à-vis de l’ensemble des identités faciales. Nous avons validé expérimentalement la méthode F2C sur plusieurs benchmarks de reconnaissance faciale ainsi que sur des jeux de données privés, obtenant des résultats comparables à ceux des méthodes état-de-l’art, tout en offrant une vitesse supérieure en termes de précision de reconnaissance et de consommation de ressources matérielles. En outre, notre approche est renforcée par un chargeur de données dual soigneusement conçu, comprenant un chargeur basé sur les identités et un chargeur basé sur les instances, ce qui améliore encore l’efficacité de la mise à jour des paramètres du DCP.