Dans cet article, nous proposons un protocole d'entraînement amélioré pour l'architecture U-Net, destiné à la segmentation sémantique d'images aériennes. Nous évaluons notre approche sur le jeu de données exigeant FLAIR #2. Nous présentons une étude ablation exhaustive sur l'influence des différents composants de notre méthode sur la performance globale. Cette étude inclut une comparaison de différentes architectures de base (backbones), de techniques d'augmentation d'images, de stratégies de réglage du taux d'apprentissage, de fonctions de perte ainsi que de procédures d'entraînement. Nous proposons également une procédure d'entraînement en deux étapes et évaluons diverses options pour l'ensemblage de modèles. Sur la base de ces résultats, nous définissons la configuration finale du protocole d'entraînement. Cette configuration finale réduit l'erreur relative d'environ 18 % et atteint un mIoU de 0,641, constituant ainsi un nouveau record état de l'art. Notre code est disponible à l'adresse suivante : https://github.com/strakaj/U-Net-for-remote-sensing