L’apprentissage automatique a partir d’un ensemble de données déséquilibrées reste un défi important dans la communauté de vision par ordinateur. Dans cet article, nous proposons de resoudre ce problème en introduisant une nouvelle fonction de coût dénommée HMLoss pour les algorithmes basés sur l’apprentissage profond. HMLoss permet de réduire simultanément la contribution des exemples faciles et aberrantes durant l’entrainement du modele tout en augmentant la contribution des exemples difficiles, permettant ainsi au modèle de se focaliser sur les échantillons informatives. Nous avons évalué notre nouvelle fonction de coût sur les jeux de données CIFAR10, CIFAR100 et ISIC 2019. Les résultats ont montré que notre méthode HMLoss surpassait les méthodes courantes pour résoudre ce problème dans des applications de classification d’images. Nous pensons que notre approche servira de base solide pour resoudre le problème du déséquilibre des classes dans de nombreuses autres applications d’apprentissage automatique. Les bases de données, codes et architectures utilisés sont disponibles à l’adresse: https://github.com/cartel-gouabou/HMLoss