Les tâches de perception d'instances (détection d'objets, segmentation d'instances, estimation de pose, dénombrement) jouent un rôle fondamental dans les applications industrielles des modèles visuels. Étant donné que les méthodes d'apprentissage supervisé souffrent d'un coût élevé de labellisation, il est souhaitable de recourir à des méthodes d'apprentissage à peu d'exemples capables d'apprendre efficacement à partir d'un nombre limité d'exemples étiquetés. Les méthodes d'apprentissage à peu d'exemples existantes se concentrent principalement sur un ensemble restreint de tâches, probablement en raison des défis liés à la conception d'un modèle générique capable de représenter de manière unifiée des tâches diverses. Dans cet article, nous proposons UniFS, un modèle universel d'apprentissage à peu d'exemples pour la perception d'instances, qui unifie un large éventail de tâches de perception d'instances en les reformulant dans un cadre d'apprentissage de représentation dynamique par points. Par ailleurs, nous introduisons une méthode appelée SAPL (Structure-Aware Point Learning), qui exploite les relations structurelles d'ordre supérieur entre les points afin d'améliorer davantage l'apprentissage des représentations. Notre approche fait des hypothèses minimales sur les tâches, tout en atteignant des résultats compétitifs par rapport à des modèles spécialisés hautement optimisés. Les codes et les données sont disponibles à l'adresse suivante : https://github.com/jin-s13/UniFS.