Nous abordons un problème de détection de communautés dans une configuration réaliste d'apprentissage fédéré où les clients possèdent des données non identifiées. Nous proposons une méthode basée sur l'apprentissage fédéré par grappes (CFL) qui permet de découvrir dynamiquement les communautés de clients en fonction de la distance entre leurs modèles le long des rondes fédérées. Cette méthode est basée sur le clustering de Louvain, une mesure de similarité de modèle pertinente et une stratégie d'attribution de modèle agrégée par client. Le cadre proposé permet la détection non supervisée de communautés sans connaissances préalables tout en maximisant les performances des tâches des clients. Nous proposons une étude approfondie basée sur l'ensemble de données Cifar10 afin d'évaluer la sensibilité de l'approche à des facteurs critiques tels que le niveau de non-identification des données, l'initialisation du modèle, les taux de participation des clients et la stratégie d'attribution des clusters aux clients. Il est important de noter que la précision de la tâche du modèle et la pertinence du regroupement sont évaluées, ce qui élargit l'évaluation standard de l'état de l'art. Par rapport à l'état de l'art sur un problème de classification d'images, nous montrons l'intérêt de notre stratégie de regroupement et d'attribution continus le long de rondes fédérées qui maintiennent la capacité de migration des clients tout en préservant la pertinence du modèle agrégé. Cela facilite la convergence de l'apprentissage tout en réduisant la variabilité des résultats au cours des essais. Ce travail peut être parfaitement intégré dans les approches FL standard et ouvre de nouvelles directions pour la performance des tâches et la pertinence de la détection des communautés dans un contexte d'apprentissage fédéré. Les résultats montrent la pertinence du regroupement .