Cette étude explore un adaptateur simple mais puissant pour les tâches de prédiction dense dans les Vision Transformers (ViT). Contrairement aux variantes récentes qui intègrent des biais inductifs spécifiques à la vision dans leurs architectures, le ViT standard souffre d'une performance inférieure sur les tâches de prédiction dense en raison d'hypothèses a priori faibles. Pour remédier à ce problème, nous proposons ViT-Adapter, qui permet au ViT standard d'atteindre une performance comparable à celle des transformers spécifiques à la vision. Plus précisément, le squelette de notre cadre est un ViT standard capable d'apprendre des représentations puissantes à partir de données multimodales à grande échelle. Lors de la transfert vers des tâches descendantes, un adaptateur sans pré-entraînement est utilisé pour introduire des biais inductifs liés à l’image dans le modèle, le rendant ainsi adapté à ces tâches. Nous validons ViT-Adapter sur plusieurs tâches de prédiction dense, notamment la détection d'objets, la segmentation d'instances et la segmentation sémantique. Notamment, sans utiliser de données supplémentaires pour la détection, notre ViT-Adapter-L atteint des performances de pointe sur COCO test-dev, avec un AP boîte de 60,9 et un AP masque de 53,0. Nous espérons que ViT-Adapter pourra servir d'alternative aux transformers spécifiques à la vision et faciliter les recherches futures. Le code et les modèles seront publiés à l’adresse suivante : https://github.com/czczup/ViT-Adapter.