Ce papier s’intéresse à la tâche d’estimation de la posture humaine 2D sur l’ensemble du corps, dont l’objectif est de localiser des points repères denses sur l’ensemble du corps humain, y compris le tronc, les pieds, le visage et les mains. Nous proposons une approche basée sur un unique réseau, nommée ZoomNet, qui prend en compte la structure hiérarchique du corps humain complet et résout le problème de variation d’échelle entre les différentes parties du corps. Par ailleurs, nous introduisons un cadre de recherche d’architecture neuronale, appelé ZoomNAS, visant à améliorer à la fois la précision et l’efficacité de l’estimation de la posture du corps entier. ZoomNAS effectue conjointement la recherche d’architecture du modèle et des connexions entre différents sous-modules, tout en allouant automatiquement une complexité computationnelle adaptée aux sous-modules sélectionnés. Pour entraîner et évaluer ZoomNAS, nous introduisons la première base de données à grande échelle d’images 2D du corps humain entier, nommée COCO-WholeBody V1.0, qui étiquette 133 points clés sur des images prises dans des environnements réels (in-the-wild). Des expériences étendues démontrent l’efficacité de ZoomNAS ainsi que l’importance fondamentale de COCO-WholeBody V1.0.