Comment installer DeepLabCut 3.0.1 sur Mac : solution scientifique sans CUDA en 2026

Installez DeepLabCut 3.0.1 sur Mac pour l’annotation, la gestion de projets et la validation d’inférence, mais ne remplacez pas automatiquement un environnement Linux avec GPU NVIDIA pour l’entraînement lourd. La version 3.x privilégie PyTorch, tandis que l’accélération Apple MPS reste limitée à certains modèles et opérateurs.

SECTION 01 À qui s’adresse ce parcours de validation ?

Ce guide s’adresse d’abord aux étudiants qui commencent l’analyse de posture animale et souhaitent obtenir une interface graphique exploitable sans acheter immédiatement un ordinateur. Il concerne aussi les chercheurs qui migrent un projet DeepLabCut 2.x et doivent préserver leurs résultats antérieurs.

Les responsables techniques de laboratoire y trouveront une méthode pour tester un Mac distant avec une vidéo représentative avant de modifier l’architecture de calcul. L’objectif n’est pas de démontrer que l’application s’ouvre, mais de vérifier que l’annotation, l’inférence, l’export et la reprise d’une session forment un circuit reproductible.

Mise à jour : 7 septembre 2026. Les informations de version et de compatibilité ont été vérifiées à partir des versions publiées de DeepLabCut, de la documentation officielle d’installation, de la configuration PyTorch, de la documentation napari et des documents PyTorch consacrés à MPS.

SECTION 02 La décision à prendre avant l’installation

Utilisez la ligne suivante comme calendrier de décision plutôt que comme simple liste d’installation :

• Avant de créer l’environnement : confirmez que votre priorité est l’annotation, la gestion de projet, l’inférence exploratoire ou la compatibilité macOS.
• Après l’ouverture de l’interface : vérifiez qu’un projet peut être créé, qu’une vidéo désensibilisée peut être ouverte et qu’une annotation peut être sauvegardée.
• Après la première inférence : consignez le modèle, le périphérique réellement utilisé, les éventuels replis vers le processeur et la complétude du fichier de sortie.
• Avant tout entraînement sérieux : comparez les opérations requises par le modèle avec les capacités documentées de MPS. Si une opération manque ou produit une sortie douteuse, arrêtez l’extension du jeu de données.
• Après la validation du flux : choisissez entre Mac distant, Mac local, plateforme Linux avec GPU NVIDIA ou architecture à deux environnements.

Le choix recommandé est donc conditionnel. Pour une première prise en main, un Mac Apple Silicon local ou distant est pertinent. Pour un entraînement exigeant, conservez une voie Linux avec GPU NVIDIA. Pour un projet en migration, gardez les deux environnements jusqu’à la comparaison des résultats.

SECTION 03 Ce que DeepLabCut 3.0.1 change sur Mac

La version 3.0.1 est publiée dans la branche 3.x, dont l’orientation est centrée sur PyTorch. La compatibilité macOS est confirmée par la documentation d’installation, mais elle ne doit pas être interprétée comme la promesse d’un équivalent entre CUDA et MPS. La page de configuration PyTorch de DeepLabCut distingue les périphériques et demande de tenir compte des modèles et opérations effectivement pris en charge.

Cette nuance répond à une erreur fréquente : PyTorch peut signaler que MPS est disponible, alors que le modèle choisi utilise une opération non compatible ou revient partiellement au processeur. La documentation PyTorch sur le périphérique MPS explique la disponibilité de ce backend et ses conditions générales, mais elle ne garantit pas que tous les logiciels scientifiques construits au-dessus fonctionneront avec une accélération complète.

Pour la recherche comportementale, séparez donc quatre usages :

1. Annotation et gestion de projet : priorité à la stabilité de l’interface et à l’accès aux fichiers.
2. Inférence sur processeur : solution de référence pour vérifier la logique du projet, indépendamment de MPS.
3. Validation avec MPS : essai ciblé, modèle par modèle, avec contrôle des sorties.
4. Entraînement intensif : décision distincte, souvent mieux adaptée à une machine Linux avec GPU NVIDIA lorsque le modèle ou les opérateurs l’exigent.

La disponibilité de MPS est un résultat à enregistrer, pas une conclusion de performance. Vous devez toujours noter le périphérique demandé, le périphérique utilisé et la présence éventuelle d’un repli.

SECTION 04 Parcours débutant : construire un environnement isolé

Ne commencez pas avec les vidéos originales de l’expérience. Préparez d’abord une copie désensibilisée, courte et représentative, sans données personnelles ni séquences qui doivent rester confidentielles. Conservez ensuite les vidéos sources dans un emplacement séparé et non modifiable par les essais.

Étape 1 : vérifier la base logicielle

Consultez la page d’installation DeepLabCut afin de sélectionner l’environnement Python actuellement documenté. Les dépendances et les méthodes recommandées peuvent évoluer avec les correctifs de la branche 3.x ; ne recopiez donc pas une commande trouvée dans un ancien forum sans la comparer à la documentation officielle.

Dans Terminal, créez un environnement distinct, avec le gestionnaire recommandé par la documentation de votre installation. Une variante avec l’environnement virtuel Python peut servir de repère lorsque votre équipe maîtrise déjà cette méthode :

python3 -m venv dlc-mac
source dlc-mac/bin/activate
python -m pip install --upgrade pip

Cette séparation évite qu’une mise à jour destinée à DeepLabCut modifie l’environnement d’un autre projet de laboratoire. Elle facilite également la collecte d’un fichier de dépendances et le retour à une configuration connue.

Étape 2 : installer la branche graphique nécessaire

Installez DeepLabCut et les composants d’interface selon la commande indiquée dans la documentation officielle. Si vous devez verrouiller précisément la version 3.0.1, vérifiez d’abord que cette version est bien disponible dans les versions publiées, puis utilisez le mécanisme de versionnement compatible avec la méthode d’installation retenue.

Après l’installation, contrôlez la version depuis l’environnement activé :

python -c "import deeplabcut; print(deeplabcut.__version__)"

Le résultat attendu doit être comparé à la version affichée dans les publications officielles de DeepLabCut. Un environnement qui démarre une interface sans afficher la version attendue n’est pas encore validé.

Étape 3 : lancer l’interface sans charger les données originales

Démarrez l’interface graphique avec le lanceur indiqué par la documentation de votre installation, puis créez un projet de test. Ne mélangez pas ce projet avec le répertoire d’une étude déjà annotée : les chemins, les fichiers de configuration et les sorties doivent rester identifiables.

Le premier test doit répondre à des questions concrètes :

• l’application ouvre-t-elle une vidéo dans un format utilisé par votre laboratoire ;
• le projet peut-il être créé dans un répertoire dont vous contrôlez les droits ;
• les images peuvent-elles être extraites sans modifier la vidéo source ;
• une annotation peut-elle être enregistrée puis relue ;
• le projet peut-il être fermé et rouvert sans perdre son fichier de configuration.

Étape 4 : ouvrir napari-deeplabcut avec un projet cohérent

L’interface napari-deeplabcut et son utilisation de base dépendent de la structure du projet et de l’emplacement des fichiers d’annotation. Ce n’est pas un simple lecteur vidéo : l’interface doit retrouver le projet, sa configuration et les données au chemin attendu.

Conservez le projet de test dans un dossier dont le nom ne change pas pendant l’essai. Évitez les chemins synchronisés automatiquement ou les volumes amovibles tant que vous n’avez pas établi une procédure fiable. Après l’annotation, fermez puis rouvrez le projet afin de vérifier que les points, les noms des individus et les fichiers associés sont toujours disponibles.

Étape 5 : établir le seuil de réussite

Votre installation est suffisamment avancée seulement si vous pouvez réaliser la séquence suivante avec la même vidéo désensibilisée :

1. créer ou ouvrir le projet ;
2. extraire les images nécessaires ;
3. annoter les points clés ;
4. sauvegarder les annotations ;
5. fermer puis rouvrir le projet ;
6. lancer une analyse minimale ;
7. exporter et relire le résultat.

Cette séquence vaut davantage qu’une capture d’écran de l’application. Elle vérifie la continuité entre l’interface, les fichiers et l’analyse. Gardez une copie en lecture seule du projet de référence afin de pouvoir comparer les essais ultérieurs.

SECTION 05 Les chemins de décision selon votre profil

Le tableau suivant sert à choisir une route, pas à attribuer une capacité universelle à un matériel.

Ce tableau ne remplace pas la vérification du modèle. Le Model Zoo de DeepLabCut doit être consulté pour le modèle ciblé, car le nom du modèle ne suffit pas à conclure sur la prise en charge de chaque opération par MPS.

SECTION 06 Valider MPS sans confondre détection et accélération

Commencez par vérifier que PyTorch voit le backend MPS dans l’environnement réellement utilisé par DeepLabCut :

python -c "import torch; print(torch.backends.mps.is_available())"

Cette commande indique une disponibilité du backend PyTorch ; elle ne certifie ni l’exécution complète du modèle ni l’absence de repli. La documentation PyTorch consacrée aux variables d’environnement MPS peut également être utile lorsque vous devez diagnostiquer le comportement du backend, mais ces réglages ne corrigent pas une opération que le modèle ne prend pas en charge.

Pour chaque essai, consignez dans un fichier de laboratoire :

• le nom et la version du modèle ;
• la configuration du projet ;
• le périphérique demandé ;
• le périphérique effectivement utilisé ;
• les avertissements et erreurs ;
• la présence ou non d’un repli vers le processeur ;
• la complétude du fichier de prédictions ;
• la cohérence des points détectés sur la vidéo de contrôle.

Si une opération échoue avec MPS, réduisez le périmètre : utilisez le processeur pour une petite validation, puis comparez le résultat avec votre environnement de calcul principal. Ne lancez pas immédiatement un entraînement long pour « voir si cela passe ». Une sortie incomplète ou silencieusement produite dans un autre mode peut contaminer une analyse comportementale sans provoquer d’erreur évidente.

SECTION 07 Migration d’un projet TensorFlow vers la branche PyTorch

La branche 3.x conserve une capacité de migration des annotations existantes, mais cela ne signifie pas que l’environnement, la configuration et les sorties seront identiques. Un projet ancien doit être traité comme une étude de régression, non comme une simple réinstallation.

Conservez d’abord l’environnement historique intact. Copiez le projet et les données vers un nouvel emplacement, puis documentez les éléments qui doivent rester équivalents : définition des points clés, individus suivis, vidéo de référence, séparation des données, configuration et format des résultats.

Utilisez ensuite un jeu de données fixe pour comparer :

• les noms et l’ordre des points clés ;
• la configuration du projet ;
• les images et annotations utilisées ;
• les fichiers de sortie ;
• les valeurs manquantes ou aberrantes ;
• les analyses aval qui dépendent des coordonnées.

Ne promettez pas une conservation automatique des performances à partir du seul fait que les annotations sont réutilisables. Pour un article publié ou une expérience en cours, gardez l’ancien environnement jusqu’à ce que les résultats de régression soient acceptés par l’équipe scientifique. Cette précaution est particulièrement importante si un script aval attend une structure de fichier précise.

SECTION 08 Remplir les conditions d’un Mac distant

Un Mac distant est utile lorsque votre laboratoire ne possède pas de machine macOS, mais la validation doit séparer le calcul de l’expérience réseau. Une interface napari peut sembler lente à cause de la connexion distante alors que le traitement local se déroule correctement ; à l’inverse, un calcul peut rester actif après une déconnexion sans que vous puissiez le vérifier immédiatement.

Avant de choisir une location longue, testez les points suivants :

1. connexion à l’interface graphique et ouverture du projet ;
2. accès aux fichiers avec les droits nécessaires ;
3. fonctionnement de l’annotation interactive dans napari-deeplabcut ;
4. lancement d’une commande longue par SSH lorsque cette méthode est adaptée ;
5. état du processus après une déconnexion ;
6. téléchargement d’un résultat et vérification de son intégrité ;
7. reconnexion au même projet sans écraser la copie de référence.

Pour un laboratoire, la bonne unité de décision n’est donc pas « l’application s’est lancée », mais « une vidéo représentative a traversé tout le circuit ». Si vous devez organiser des droits, des répertoires partagés ou des connexions persistantes, consultez aussi le centre d’aide de VPSNIX avant de définir la procédure remise aux étudiants.

SECTION 09 Conclusion : choisir le Mac, Linux ou les deux

DeepLabCut 3.0.1 peut constituer une bonne porte d’entrée sur Mac pour créer un projet, annoter des vidéos, utiliser une interface graphique et vérifier une première inférence sans CUDA. PyTorch MPS doit toutefois être évalué par modèle et par opération ; il ne faut pas le présenter comme un remplacement complet du chemin CUDA. Les projets anciens doivent conserver leur environnement TensorFlow jusqu’à la fin d’une comparaison reproductible.

Si votre solution actuelle repose uniquement sur un poste Windows ou Linux sans accès macOS, vous perdez la validation de l’interface demandée par certains membres de l’équipe, vous ajoutez une étape de partage de machine et vous risquez de repousser les tests de compatibilité jusqu’à la fin du projet. À l’inverse, acheter immédiatement un Mac peut immobiliser un budget alors que votre besoin réel se limite à une validation courte ou à une interface graphique.

Dans ce cas, commencez par une période courte sur un Mac distant de VPSNIX : faites passer une vidéo désensibilisée par l’annotation, la détection du périphérique, l’inférence, l’export et la reprise après déconnexion, puis comparez ce résultat à votre plateforme Linux. Vous pourrez ensuite consulter les formules de location Mac de VPSNIX avec des critères scientifiques vérifiés, plutôt qu’avec la seule promesse d’une installation réussie.

Pour aller plus loin

• Travailler sur un Mac distant sans droits administrateur : choisir un environnement persistant pour vos dépendances scientifiques
• Louer un Mac dans le cloud en 2026 : comparer les coûts avant de déporter l’analyse et l’entraînement