Au cours des dernières années, les principales innovations de recherche en reconnaissance faciale se sont concentrées sur l'entraînement de réseaux neuronaux profonds sur des jeux de données à grande échelle étiquetés par identité, en utilisant des variantes de pertes de classification multiclasse. Cependant, beaucoup de ces jeux de données ont été retirés par leurs créateurs en raison d'inquiétudes croissantes concernant la vie privée et l'éthique. Très récemment, des données synthétiques respectueuses de la vie privée ont été proposées comme alternative aux données authentiques sensibles à la vie privée afin de se conformer aux réglementations en matière de protection des données et d'assurer la continuité des recherches en reconnaissance faciale. Dans cet article, nous proposons un modèle non supervisé de reconnaissance faciale basé sur des données synthétiques non étiquetées (USynthFace). Notre modèle USynthFace apprend à maximiser la similarité entre deux images augmentées du même individu synthétique. Nous rendons cela possible grâce à un grand ensemble de transformations géométriques et chromatiques, ainsi qu'à une augmentation basée sur les GAN (Generative Adversarial Networks) qui contribue à l'entraînement du modèle USynthFace. Nous avons également mené de nombreuses études empiriques sur différents composants de notre USynthFace. Avec le jeu proposé d'opérations d'augmentation, nous avons démontré l'efficacité de notre USynthFace pour atteindre des taux de reconnaissance relativement élevés en utilisant des données synthétiques non étiquetées.