La régression ordinale vise à résoudre des problèmes de classification dans lesquels les catégories ne sont pas indépendantes, mais suivent un ordre naturel. Il est essentiel de classifier correctement chaque classe tout en apprenant des relations ordinales adéquates entre les classes. Nous proposons une méthode simple et efficace qui contraint ces relations entre catégories en intégrant de manière fluide des pénalités métriques dans les représentations des étiquettes vraies. Ce codage permet aux réseaux neuronaux profonds d’apprendre automatiquement les relations intra- et inter-classes sans aucune modification explicite de l’architecture du réseau. Notre méthode transforme les étiquettes des données en distributions de probabilités douces, qui s’accordent bien avec les fonctions de perte catégoriques courantes telles que la cross-entropie. Nous démontrons l’efficacité de cette approche en utilisant des réseaux de classification et de segmentation standards dans quatre scénarios très différents : classement de la qualité d’image, estimation d’âge, régression de la ligne d’horizon et estimation de profondeur monoscopique. Nous montrons que notre méthode générale est très compétitive par rapport aux approches spécialisées, et s’adapte parfaitement à diverses architectures de réseaux et métriques.