Les architectures de vision transformer ont été démontrées très efficaces pour les tâches de classification d’images. Les efforts visant à résoudre des tâches visuelles plus complexes à l’aide de transformateurs reposent généralement sur des architectures convolutives (CNN) pour l’extraction de caractéristiques. Dans cet article, nous étudions l’utilisation d’une architecture transformer pure (c’est-à-dire sans squelette CNN) pour le problème d’estimation de posture 2D du corps humain. Nous évaluons deux architectures ViT sur le jeu de données COCO. Nous démontrons qu’un modèle transformer encodeur-décodeur permet d’obtenir des résultats de pointe sur cette tâche d’estimation.