> For the complete documentation index, see [llms.txt](https://unsloth.ai/docs/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://unsloth.ai/docs/fr/commencer/install/windows-installation.md).
# Installer Unsloth sur Windows
Installez Unsloth Desktop, Unsloth Studio ou Unsloth Core sur Windows.
Pour installer Unsloth Desktop sur Windows, suivez les étapes ci-dessous.
{% stepper %}
{% step %}
### Télécharger
Télécharger Unsloth pour Windows
{% endstep %}
{% step %}
### Installer
1. Ouvrez le programme d’installation Unsloth (`.exe` fichier)
2. Suivez les invites d'installation
3. Lancez l'application et attendez la fin de l'installation
{% endstep %}
{% step %}
### Choisissez un modèle
Ouvrez Sélectionner un modèle ou Model hub, choisissez un modèle et une quantification, puis téléchargez-le. Une fois terminé, commencez à discuter - aucune configuration requise.
{% endstep %}
{% step %}
### Unsloth est maintenant prêt
Pour commencer à discuter, tapez un message et appuyez sur Entrée.
* **Connectez des outils :** [Claude Code](/docs/fr/notions-de-base/claude-code.md), [Codex](/docs/fr/notions-de-base/codex.md), recherche web, [MCP](/docs/fr/notions-de-base/mcp.md) et plus encore
* **Entraîner des modèles :** Ajustez finement du texte, de la diffusion, des embeddings, et plus encore
* **Générez des médias :** Créez et entraînez localement des images, des vidéos et de la synthèse vocale
{% endstep %}
{% endstepper %}
### Installer Unsloth manuellement
Les sections ci-dessous couvrent la version basée sur le web **Unsloth Studio** et l'originale basée sur le code **Unsloth Core**.
Pour **Unsloth Core** sous Windows, choisissez Conda, Docker ou WSL ci-dessous. Si PyTorch est déjà installé, `pip install unsloth` peut suffire.
Tutoriel CondaTutoriel DockerTutoriel WSL
### Unsloth Studio
Nous avons lancé une nouvelle interface web appelée [Unsloth Studio](/docs/fr/nouveau/studio/install.md) qui fonctionne sur Windows immédiatement :
```bash
irm https://unsloth.ai/install.ps1 | iex
```
Utilisez la même commande pour mettre à jour.
Puis pour lancer à chaque fois :
```bash
unsloth studio -H 0.0.0.0 -p 8888
```
Pour des instructions d'installation détaillées et les prérequis d'Unsloth Studio, [consultez notre guide](/docs/fr/nouveau/studio/install.md).
Voici ci-dessous les instructions d'installation pour l'original **Unsloth Core**:
### Méthode n°1 - Windows via Conda :
{% stepper %}
{% step %}
**Installer Miniconda (ou Anaconda)**
Télécharger Anaconda [ici](https://www.anaconda.com/download). Notre suggestion est d'utiliser [Miniconda](https://www.anaconda.com/docs/getting-started/miniconda/install#quickstart-install-instructions). Pour l'utiliser, entrez d'abord dans Powershell - recherchez « Windows Powershell » dans Démarrer :
Puis Powershell s'ouvrira :
Puis copiez-collez ce qui suit : CTRL+C, puis collez-le dans Powershell CTRL+V :
{% code overflow="wrap" %}
```ps
Invoke-WebRequest -Uri "https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe" -OutFile ".\miniconda.exe"
Start-Process -FilePath ".\miniconda.exe" -ArgumentList "/S" -Wait
del .\miniconda.exe
```
{% endcode %}
Acceptez l'avertissement et cliquez sur « Coller quand même » puis attendez.
Il télécharge l'installateur comme ci-dessous :
Après l'installation, ouvrez open **Anaconda Powershell Prompt** pour utiliser Miniconda via Démarrer -> recherchez-le :
Vous verrez alors :
{% endstep %}
{% step %}
**Créer l'environnement conda**
```bash
conda create --name unsloth_env python==3.12 -y
conda activate unsloth_env
```
**Vous verrez :**
{% endstep %}
{% step %}
**Vérifiez `nvidia-smi` pour confirmer que vous avez un GPU, et repérez la version de CUDA**
Après avoir tapé `nvidia-smi` dans Powershell, vous devriez voir quelque chose comme ci-dessous. Si vous n'avez pas `nvidia-smi` ou si ce qui suit ne s'affiche pas, vous devez réinstaller [les pilotes NVIDIA](https://www.nvidia.com/en-us/drivers/).
{% endstep %}
{% step %}
**Installer PyTorch**
Lors de l'exécution de `nvidia-smi` vous verrez en haut à droite : « CUDA Version: 13.0 ». Installez PyTorch dans PowerShell via. Changez `130` à votre version de CUDA - assurez-vous que la [version existe](https://pytorch.org/) et correspond à la version de votre pilote CUDA.
{% code overflow="wrap" %}
```bash
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu130
```
{% endcode %}
Vous verrez :
Essayez d'exécuter ceci en Python via `python` une fois PyTorch installé :
{% code overflow="wrap" %}
```python
import torch
print(torch.cuda.is_available())
A = torch.ones((10, 10), device = "cuda")
B = torch.ones((10, 10), device = "cuda")
A @ B
```
{% endcode %}
Vous devriez voir une matrice de 10. Vérifiez aussi que le premier est True.
{% endstep %}
{% step %}
**Installez Unsloth (uniquement si PyTorch fonctionne !)**
{% hint style="danger" %}
**Confirmez que PyTorch fonctionne correctement et s'exécute - sinon PyTorch est cassé et cela signifie malheureusement que votre machine Windows pourrait avoir besoin d'une réinstallation des pilotes CUDA.**
{% endhint %}
Dans Powershell (après avoir quitté Python via `exit()` , faites-le et attendez :
```bash
pip install unsloth
```
{% endstep %}
{% step %}
**Vérifiez qu'Unsloth fonctionne**
Utilisez maintenant n'importe quel script dans [Cahiers d'exercices Unsloth](/docs/fr/commencer/unsloth-notebooks.md) (enregistrez-le dans un fichier .py), ou utilisez le script de base ci-dessous :
{% code expandable="true" %}
```python
from unsloth import FastLanguageModel, FastModel
import torch
from trl import SFTTrainer, SFTConfig
from datasets import load_dataset
max_seq_length = 512
url = "https://huggingface.co/datasets/laion/OIG/resolve/main/unified_chip2.jsonl"
dataset = load_dataset("json", data_files = {"train" : url}, split = "train")
model, tokenizer = FastLanguageModel.from_pretrained(
model_name = "unsloth/gemma-3-270m-it",
max_seq_length = max_seq_length, # Choisissez n'importe laquelle pour un long contexte !
load_in_4bit = True, # Quantification 4 bits. False = LoRA 16 bits.
load_in_8bit = False, # Quantification 8 bits
load_in_16bit = False, # LoRA 16 bits
full_finetuning = False, # À utiliser pour un fine-tuning complet.
trust_remote_code = False, # Activer pour prendre en charge les nouveaux modèles
# token = "hf_...", # utilisez-en un si vous utilisez des modèles soumis à accès restreint
)
# Effectuez le patching du modèle et ajoutez des poids LoRA rapides
model = FastLanguageModel.get_peft_model(
model,
r = 16,
target_modules = ["q_proj", "k_proj", "v_proj", "o_proj",
"gate_proj", "up_proj", "down_proj",],
lora_alpha = 16,
lora_dropout = 0, # Prend en charge n'importe quelle valeur, mais = 0 est optimisé
bias = "none", # Prend en charge n'importe quelle valeur, mais = "none" est optimisé
# [NOUVEAU] "unsloth" utilise 30 % de VRAM en moins, permet des tailles de lot 2x plus grandes !
use_gradient_checkpointing = "unsloth", # True ou "unsloth" pour un contexte très long
random_state = 3407,
max_seq_length = max_seq_length,
use_rslora = False, # Nous prenons en charge LoRA avec stabilité du rang
loftq_config = None, # Et LoftQ
)
trainer = SFTTrainer(
model = model,
train_dataset = dataset,
tokenizer = tokenizer,
args = SFTConfig(
max_seq_length = max_seq_length,
per_device_train_batch_size = 2,
gradient_accumulation_steps = 4,
warmup_steps = 10,
max_steps = 60,
logging_steps = 1,
output_dir = "outputs",
optim = "adamw_8bit",
seed = 3407,
dataset_num_proc = 1,
),
)
trainer.train()
```
{% endcode %}
Vous devriez voir :
```bash
🦥 Unsloth : va patcher votre ordinateur pour activer un fine-tuning gratuit 2x plus rapide.
🦥 Unsloth Zoo va maintenant tout patcher pour accélérer l'entraînement !
==((====))== Unsloth 2026.1.4 : patching rapide de Gemma3. Transformers : 4.57.6.
\\ /| NVIDIA GeForce RTX 3060. Nombre de GPU = 1. Mémoire maximale : 12.0 GB. Plateforme : Windows.
O^O/ \_/ \ Torch: 2.10.0+cu130. CUDA: 8.6. CUDA Toolkit: 13.0. Triton: 3.6.0
\ / Bfloat16 = TRUE. FA [Xformers = 0.0.34. FA2 = False]
"-____-" Licence libre : http://github.com/unslothai/unsloth
Unsloth : le téléchargement rapide est activé - ignorez les barres de téléchargement rouges !
Unsloth : Gemma3 ne prend pas en charge SDPA - basculement vers fast eager.
Unsloth : rendu de `model.base_model.model.model` exigeant des gradients
Unsloth : tokenisation ["text"] (num_proc=1): 0%| | 0/210289 [00:00
{% endstep %}
{% endstepper %}
### Méthode n°2 - Docker :
Docker est peut-être le moyen le plus simple pour les utilisateurs de Windows de commencer avec Unsloth, car aucune configuration ni problème de dépendances n'est nécessaire. [**`unsloth/unsloth`**](https://hub.docker.com/r/unsloth/unsloth) est la seule image Docker d'Unsloth. Pour [Blackwell](/docs/fr/blog/fine-tuning-llms-with-blackwell-rtx-50-series-and-unsloth.md) et les GPU de la série 50, utilisez cette même image - aucune image séparée n'est nécessaire.
Pour les instructions d'installation, veuillez suivre notre [guide Docker](/docs/fr/blog/how-to-fine-tune-llms-with-unsloth-and-docker.md), sinon voici un guide de démarrage rapide :
{% stepper %}
{% step %}
**Installez Docker et le NVIDIA Container Toolkit.**
Installez Docker via [Linux](https://docs.docker.com/engine/install/) ou [Desktop](https://docs.docker.com/desktop/) (autre). Puis installez [NVIDIA Container Toolkit](https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/latest/install-guide.html#installation):
```bash
export NVIDIA_CONTAINER_TOOLKIT_VERSION=1.17.8-1
sudo apt-get update && sudo apt-get install -y \
nvidia-container-toolkit=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
nvidia-container-toolkit-base=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
libnvidia-container-tools=${NVIDIA_CONTAINER_TOOLKIT_VERSION} \
libnvidia-container1=${NVIDIA_CONTAINER_TOOLKIT_VERSION}
```
{% endstep %}
{% step %}
**Lancez le conteneur.**
[**`unsloth/unsloth`**](https://hub.docker.com/r/unsloth/unsloth) est la seule image Docker d'Unsloth.
```bash
docker run -d -e JUPYTER_PASSWORD="mypassword" \
-p 8888:8888 -p 2222:22 \
-v $(pwd)/work:/workspace/work \
--gpus all \
unsloth/unsloth
```
{% endstep %}
{% step %}
**Accéder à Jupyter Lab**
Allez à [http://localhost:8888](http://localhost:8888/) et ouvrez Unsloth. Accédez aux `onglets unsloth-notebooks` pour voir les notebooks Unsloth.
{% endstep %}
{% step %}
**Commencez à entraîner avec Unsloth**
Si vous débutez, suivez notre guide étape par étape [Guide de fine-tuning](/docs/fr/commencer/fine-tuning-llms-guide.md), [Guide RL](/docs/fr/commencer/reinforcement-learning-rl-guide.md) ou contentez-vous d'enregistrer/copier n'importe lequel de nos [notebooks](/docs/fr/commencer/unsloth-notebooks.md).
{% endstep %}
{% step %}
**Problèmes Docker - GPU non détecté ?**
Essayez de passer par WSL via [#method-2-wsl](#method-2-wsl "mention")
{% endstep %}
{% endstepper %}
### Méthode n°3 - WSL :
{% stepper %}
{% step %}
**Installer WSL**
Ouvrez l'Invite de commandes, le Terminal, et installez Ubuntu. Définissez le mot de passe si demandé.
```bash
wsl.exe --install Ubuntu-24.04
wsl.exe -d Ubuntu-24.04
```
{% endstep %}
{% step %} **Si vous n'avez PAS fait (1), donc vous avez déjà installé WSL****, entrez dans WSL en tapant `wsl` et ENTRÉE dans l'Invite de commandes**
```bash
wsl
```
{% endstep %}
{% step %}
**Installer Python**
{% code overflow="wrap" %}
```bash
sudo apt update
sudo apt install python3 python3-full python3-pip python3-venv -y
```
{% endcode %}
{% endstep %}
{% step %}
**Installer PyTorch**
{% code overflow="wrap" %}
```bash
pip install torch torchvision --force-reinstall --index-url https://download.pytorch.org/whl/cu130
```
{% endcode %}
Si vous rencontrez des problèmes d'autorisations, utilisez `–break-system-packages` pour que `pip install torch torchvision --force-reinstall --index-url https://download.pytorch.org/whl/cu130 –break-system-packages`
{% endstep %}
{% step %}
**Installez Unsloth et Jupyter Notebook**
{% code overflow="wrap" %}
```bash
pip install unsloth jupyter
```
{% endcode %}
Si vous rencontrez des problèmes d'autorisations, utilisez `–-break-system-packages` pour que `pip install unsloth jupyter –-break-system-packages`
{% endstep %}
{% step %}
**Lancez Unsloth via Jupyter Notebook**
{% code overflow="wrap" %}
```bash
jupyter notebook
```
{% endcode %}
Puis ouvrez nos notebooks dans [Cahiers d'exercices Unsloth](/docs/fr/commencer/unsloth-notebooks.md)et chargez-les ! Vous pouvez également aller dans les notebooks Colab et télécharger > télécharger .ipynb puis les charger.
{% endstep %}
{% endstepper %}
{% hint style="warning" %}
Si vous utilisez GRPO ou prévoyez d'utiliser vLLM, actuellement vLLM ne prend pas en charge Windows directement, mais uniquement via WSL ou Linux.
{% endhint %}
### **Dépannage /** Avancé
Pour **instructions d'installation avancées** ou si vous voyez des erreurs étranges pendant les installations :
1. Installer `torch` et `triton`. Rendez-vous sur pour l'installer. Par exemple `pip install torch torchvision torchaudio triton`
2. Vérifiez que CUDA est correctement installé. Essayez `nvcc`. Si cela échoue, vous devez installer `cudatoolkit` ou les pilotes CUDA.
3. Si vous utilisez un GPU Intel, vous devrez suivre notre [guide Intel Windows](/docs/fr/commencer/install/intel.md#windows-only-runtime-configurations)
4. Installer `xformers` manuellement. Vous pouvez essayer d'installer `vllm` et voir si `vllm` réussit. Vérifiez si `xformers` a réussi avec `python -m xformers.info` Rendez-vous sur . Une autre option est d'installer `flash-attn` pour les GPU Ampere.
5. Vérifiez bien que vos versions de Python, CUDA, CUDNN, `torch`, `triton`, et `xformers` sont compatibles entre elles. La [matrice de compatibilité PyTorch](https://github.com/pytorch/pytorch/blob/main/RELEASE.md#release-compatibility-matrix) peut être utile.
6. Enfin, installez `bitsandbytes` et vérifiez-le avec `python -m bitsandbytes`
7. Si Unsloth ne détecte pas ou n'utilise pas votre GPU et que vous utilisez notre conteneur Docker sous Windows, votre version du toolkit CUDA `nvcc --version` doit correspondre à la version de CUDA affichée par nvidia-smi sur l'hôte. La prise en charge du GPU pour les conteneurs Docker sous Windows n'est pas automatique. [Vous devez suivre le guide de Docker](https://docs.docker.com/desktop/features/gpu/).
## Désinstaller
#### Unsloth Desktop
1. Fermez Unsloth s'il est en cours d'exécution.
2. Ouvrez **Paramètres** dans Windows.
3. Allez à **Applications** → **Applications installées**.
4. Recherchez **Unsloth**, sélectionnez le menu à trois points, puis choisissez **Désinstaller**.
5. Suivez les instructions pour supprimer l'application.
La désinstallation d'Unsloth Desktop ne supprime pas les modèles téléchargés ni vos fichiers.
#### Unsloth Studio (installation manuelle)
La manière recommandée de supprimer complètement Unsloth Studio est d’utiliser le script de désinstallation pour votre système d’exploitation. Il arrête tous les serveurs en cours d’exécution, supprime l’application, la commande CLI, les données du lanceur, les raccourcis et les entrées spécifiques à la plateforme (paquet .app sur macOS `.app` + Launch Services ; menu Démarrer + registre + PATH sous Windows) :
```ps1
irm https://raw.githubusercontent.com/unslothai/unsloth/main/scripts/uninstall.ps1 | iex
```
#### Désinstallation manuelle
Si vous préférez supprimer uniquement certaines parties :
**1. Supprimer uniquement l’application** (conserve l’historique, les discussions, les points de contrôle et les exports) :
* `Remove-Item -Recurse -Force "$HOME\.unsloth\studio\unsloth_studio"`
**2. Supprimer complètement Unsloth** (conserve les autres outils Unsloth) :
* `Remove-Item -Recurse -Force "$HOME\.unsloth\studio"`
**3. Supprimer tout ce qui est lié à Unsloth :**
* `Remove-Item -Recurse -Force "$HOME\.unsloth"`
{% hint style="warning" %}
Remarque : l’étape 3 supprime tout l’historique, les discussions, les points de contrôle des modèles et les exports. Cette action est irréversible.
{% endhint %}
**4. Supprimer les raccourcis et liens symboliques :**
```shellscript
Remove-Item -Force "$HOME\Desktop\Unsloth Studio.lnk"
Remove-Item -Force "$env:APPDATA\Microsoft\Windows\Start Menu\Programs\Unsloth Studio.lnk"
```
**5. Supprimer la commande CLI :**
* **Windows (PowerShell) :** L'installateur a ajouté le répertoire `Scripts` du venv à votre PATH utilisateur. Pour le supprimer, ouvrez Paramètres → Système → À propos → Paramètres système avancés → Variables d'environnement, recherchez `Path` dans les variables utilisateur, et supprimez l'entrée pointant vers `.unsloth\studio\...\Scripts`.
{% hint style="info" %}
Remarque : les étapes 1 à 5 ne touchent pas vos fichiers de modèle HF téléchargés. Consultez la section de suppression des fichiers de modèle HF mis en cache ci-dessous si vous souhaitez récupérer cet espace.
{% endhint %}
### **Suppression des fichiers de modèle HF mis en cache**
Vous pouvez supprimer les anciens fichiers de modèle soit depuis l'icône de corbeille dans la recherche de modèles, soit en supprimant le dossier de modèle mis en cache correspondant du répertoire de cache Hugging Face par défaut. Par défaut, Hugging Face utilise `~/.cache/huggingface/hub/` sur macOS/Linux/WSL et `C:\Users\\.cache\huggingface\hub\` sous Windows.
* **Windows :** `%USERPROFILE%\.cache\huggingface\hub\`
Si `HF_HUB_CACHE` ou `HF_HOME` est défini, utilisez cet emplacement à la place. Sous Linux et WSL, `XDG_CACHE_HOME` peut également modifier la racine du cache par défaut.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter, and the optional `goal` query parameter:
```
GET https://unsloth.ai/docs/fr/commencer/install/windows-installation.md?ask=&goal=
```
`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.
