Bien que la prédiction de beauté faciale (FBP) ait atteint une précision élevée sur des images capturées dans un environnement contrôlé, elle reste un défi majeur lorsqu’elle est appliquée à des images faciales prises dans des scénarios réels (in-the-wild). De plus, il n’existe actuellement aucune base de données de référence pour la FBP incluant des images présentant une diversité ethnique, âge et sexe variée, et libres en termes d’expressions faciales et d’orientations. Dans ce travail, le problème de la FBP dans des scénarios réels est abordé, et une nouvelle base de données multi-ethnique de beauté faciale, nommée MEBeauty, est introduite. Toutes les images faciales ont été capturées dans un environnement non contraint, et notées par des volontaires issus de diverses ethnies, âges et sexes, afin d’éviter tout biais culturel ou social dans la perception de la beauté. Différents réseaux de neurones convolutifs (CNN) bien connus, utilisant un apprentissage par transfert par couches, ont été appliqués sur cette base de données. Par ailleurs, une évaluation de l’apprentissage de connaissances issues de la tâche de reconnaissance faciale pour la FBP a été menée. Étant donné le nombre élevé attendu d’images anormales ou aberrantes, l’efficacité de diverses fonctions de perte robustes a été évaluée pour l’apprentissage de réseaux de régression profonds destinés à la prédiction de beauté faciale. Plusieurs architectures de FBP ont été testées sur la base de données proposée MEBeauty, ainsi que sur la base SCUT-FBP 5500 largement utilisée, afin de comparer leur efficacité sur des images faciales provenant d’environnements contrôlés et non contrôlés.