FA CSS fix for MkDocs share buttons (#6437)

Signed-off-by: Glenn Jocher <glenn.jocher@ultralytics.com>

docs/fr/datasets/index.md

@@ -8,7 +8,7 @@ keywords: vision par ordinateur, ensembles de données, Ultralytics, YOLO, déte
 
 Ultralytics fournit un soutien pour divers ensembles de données pour faciliter les tâches de vision par ordinateur telles que la détection, la segmentation d'instance, l'estimation de la pose, la classification et le suivi multi-objets. Ci-dessous se trouve une liste des principaux ensembles de données Ultralytics, suivie d'un résumé de chaque tâche de vision par ordinateur et des ensembles de données respectifs.
 
-!!! Note
+!!! Note "Note"
 
     🚧 Notre documentation multilingue est actuellement en cours de construction et nous travaillons dur pour l'améliorer. Merci de votre patience ! 🙏
 

docs/fr/index.md

@@ -38,7 +38,7 @@ Présentation d'[Ultralytics](https://ultralytics.com) [YOLOv8](https://github.c
 
 Explorez les Docs YOLOv8, une ressource complète conçue pour vous aider à comprendre et à utiliser ses fonctionnalités et capacités. Que vous soyez un praticien chevronné de l'apprentissage automatique ou nouveau dans le domaine, ce hub vise à maximiser le potentiel de YOLOv8 dans vos projets.
 
-!!! Note
+!!! Note "Note"
 
     🚧 Notre documentation multilingue est actuellement en construction et nous travaillons dur pour l'améliorer. Merci de votre patience ! 🙏
 

docs/fr/models/index.md

@@ -8,7 +8,7 @@ keywords: Ultralytics, documentation, YOLO, SAM, MobileSAM, FastSAM, YOLO-NAS, R
 
 Bienvenue dans la documentation des modèles d'Ultralytics ! Nous proposons une prise en charge d'une large gamme de modèles, chacun adapté à des tâches spécifiques comme [la détection d'objets](../tasks/detect.md), [la segmentation d'instances](../tasks/segment.md), [la classification d'images](../tasks/classify.md), [l'estimation de posture](../tasks/pose.md) et [le suivi multi-objets](../modes/track.md). Si vous souhaitez contribuer avec votre architecture de modèle à Ultralytics, consultez notre [Guide de Contribution](../../help/contributing.md).
 
-!!! Note
+!!! Note "Note"
 
     🚧 Notre documentation multilingue est actuellement en construction et nous travaillons activement à l'améliorer. Merci de votre patience ! 🙏
 

docs/fr/quickstart.md

@@ -39,7 +39,7 @@ Ultralytics propose diverses méthodes d'installation, y compris pip, conda et D
         conda install -c conda-forge ultralytics
         ```
 
-        !!! Note
+        !!! Note "Note"
 
             Si vous installez dans un environnement CUDA, la meilleure pratique est d'installer `ultralytics`, `pytorch` et `pytorch-cuda` dans la même commande pour permettre au gestionnaire de package conda de résoudre les conflits, ou bien d'installer `pytorch-cuda` en dernier pour lui permettre de remplacer le package `pytorch` spécifique aux CPU si nécessaire.
             ```bash
@@ -101,7 +101,7 @@ Voir le fichier [requirements.txt](https://github.com/ultralytics/ultralytics/bl
 
 L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de commandes simples en une seule ligne sans nécessiter d'environnement Python. La CLI ne requiert pas de personnalisation ou de code Python. Vous pouvez simplement exécuter toutes les tâches depuis le terminal avec la commande `yolo`. Consultez le [Guide CLI](/../usage/cli.md) pour en savoir plus sur l'utilisation de YOLOv8 depuis la ligne de commande.
 
-!!! Example
+!!! Example "Exemple"
 
     === "Syntaxe"
 
@@ -171,7 +171,7 @@ L'interface Python de YOLOv8 permet une intégration transparente dans vos proje
 
 Par exemple, les utilisateurs peuvent charger un modèle, l'entraîner, évaluer ses performances sur un set de validation, et même l'exporter au format ONNX avec seulement quelques lignes de code. Consultez le [Guide Python](/../usage/python.md) pour en savoir plus sur l'utilisation de YOLOv8 au sein de vos projets Python.
 
-!!! Example
+!!! Example "Exemple"
 
     ```python
     from ultralytics import YOLO

docs/fr/tasks/index.md

@@ -11,7 +11,7 @@ keywords: Ultralytics, YOLOv8, Détection, Segmentation, Classification, Estimat
 
 YOLOv8 est un cadre d'intelligence artificielle qui prend en charge de multiples tâches de **vision par ordinateur**. Le cadre peut être utilisé pour effectuer de la [détection](detect.md), de la [segmentation](segment.md), de la [classification](classify.md) et de l'estimation de la [pose](pose.md). Chacune de ces tâches a un objectif et un cas d'utilisation différents.
 
-!!! Note
+!!! Note "Note"
 
     🚧 Notre documentation multilingue est actuellement en construction et nous travaillons dur pour l'améliorer. Merci de votre patience ! 🙏