Update docs predict, buttons, reference (#6585)

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

docs/fr/modes/index.md

@@ -40,34 +40,34 @@ Ce guide complet vise à vous donner un aperçu et des informations pratiques su
 
 Le mode d'entraînement est utilisé pour entraîner un modèle YOLOv8 sur un jeu de données personnalisé. Dans ce mode, le modèle est entraîné en utilisant le jeu de données et les hyperparamètres spécifiés. Le processus d'entraînement implique l'optimisation des paramètres du modèle afin qu'il puisse prédire avec précision les classes et les emplacements des objets dans une image.
 
-[Exemples d'entraînement](train.md){ .md-button .md-button--primary}
+[Exemples d'entraînement](train.md){ .md-button }
 
 ## [Validation (Val)](val.md)
 
 Le mode de validation est utilisé pour valider un modèle YOLOv8 après qu'il ait été entraîné. Dans ce mode, le modèle est évalué sur un ensemble de validation pour mesurer sa précision et sa capacité de généralisation. Ce mode peut être utilisé pour ajuster les hyperparamètres du modèle afin d'améliorer ses performances.
 
-[Exemples de validation](val.md){ .md-button .md-button--primary}
+[Exemples de validation](val.md){ .md-button }
 
 ## [Prédiction (Predict)](predict.md)
 
 Le mode de prédiction est utilisé pour faire des prédictions à l'aide d'un modèle YOLOv8 entraîné sur de nouvelles images ou vidéos. Dans ce mode, le modèle est chargé à partir d'un fichier de checkpoint, et l'utilisateur peut fournir des images ou vidéos pour effectuer l'inférence. Le modèle prédit les classes et les emplacements des objets dans les images ou vidéos fournies.
 
-[Exemples de prédiction](predict.md){ .md-button .md-button--primary}
+[Exemples de prédiction](predict.md){ .md-button }
 
 ## [Exportation (Export)](export.md)
 
 Le mode d'exportation est utilisé pour exporter un modèle YOLOv8 dans un format pouvant être utilisé pour le déploiement. Dans ce mode, le modèle est converti dans un format pouvant être utilisé par d'autres applications logicielles ou dispositifs matériels. Ce mode est pratique pour déployer le modèle dans des environnements de production.
 
-[Exemples d'exportation](export.md){ .md-button .md-button--primary}
+[Exemples d'exportation](export.md){ .md-button }
 
 ## [Suivi (Track)](track.md)
 
 Le mode de suivi est utilisé pour suivre des objets en temps réel à l'aide d'un modèle YOLOv8. Dans ce mode, le modèle est chargé à partir d'un fichier de checkpoint, et l'utilisateur peut fournir un flux vidéo en direct pour effectuer le suivi d'objets en temps réel. Ce mode est utile pour des applications telles que les systèmes de surveillance ou les voitures autonomes.
 
-[Exemples de suivi](track.md){ .md-button .md-button--primary}
+[Exemples de suivi](track.md){ .md-button }
 
 ## [Benchmark (Benchmark)](benchmark.md)
 
 Le mode benchmark est utilisé pour profiler la vitesse et la précision de divers formats d'exportation pour YOLOv8. Les benchmarks fournissent des informations sur la taille du format exporté, ses métriques `mAP50-95` (pour la détection d'objets, la segmentation et la pose) ou `accuracy_top5` (pour la classification), et le temps d'inférence en millisecondes par image pour différents formats d'exportation comme ONNX, OpenVINO, TensorRT et autres. Ces informations peuvent aider les utilisateurs à choisir le format d'export optimal pour leur cas d'utilisation spécifique en fonction de leurs exigences de vitesse et de précision.
 
-[Exemples de benchmark](benchmark.md){ .md-button .md-button--primary}
+[Exemples de benchmark](benchmark.md){ .md-button }

docs/fr/quickstart.md

@@ -163,7 +163,7 @@ L'interface en ligne de commande (CLI) d'Ultralytics permet l'utilisation de com
     - `yolo predict model yolov8n.pt imgsz 640 conf 0.25`   ❌
     - `yolo predict --model yolov8n.pt --imgsz 640 --conf 0.25`   ❌
 
-[Guide CLI](/../usage/cli.md){ .md-button .md-button--primary}
+[Guide CLI](/../usage/cli.md){ .md-button }
 
 ## Utiliser Ultralytics avec Python
 

docs/fr/tasks/index.md

@@ -30,25 +30,25 @@ YOLOv8 est un cadre d'intelligence artificielle qui prend en charge de multiples
 
 La détection est la tâche principale prise en charge par YOLOv8. Elle implique de détecter des objets dans une image ou une trame vidéo et de dessiner des boîtes englobantes autour d'eux. Les objets détectés sont classés dans différentes catégories en fonction de leurs caractéristiques. YOLOv8 peut détecter plusieurs objets dans une seule image ou trame vidéo avec une grande précision et rapidité.
 
-[Exemples de Détection](detect.md){ .md-button .md-button--primary}
+[Exemples de Détection](detect.md){ .md-button }
 
 ## [Segmentation](segment.md)
 
 La segmentation est une tâche qui implique de segmenter une image en différentes régions en fonction du contenu de l'image. Chaque région se voit attribuer une étiquette en fonction de son contenu. Cette tâche est utile dans des applications telles que la segmentation d'image et l'imagerie médicale. YOLOv8 utilise une variante de l'architecture U-Net pour effectuer la segmentation.
 
-[Exemples de Segmentation](segment.md){ .md-button .md-button--primary}
+[Exemples de Segmentation](segment.md){ .md-button }
 
 ## [Classification](classify.md)
 
 La classification est une tâche qui implique de classer une image dans différentes catégories. YOLOv8 peut être utilisé pour classifier des images en fonction de leur contenu. Il utilise une variante de l'architecture EfficientNet pour effectuer la classification.
 
-[Exemples de Classification](classify.md){ .md-button .md-button--primary}
+[Exemples de Classification](classify.md){ .md-button }
 
 ## [Pose](pose.md)
 
 La détection de pose/points clés est une tâche qui implique de détecter des points spécifiques dans une image ou une trame vidéo. Ces points sont appelés points clés et sont utilisés pour suivre le mouvement ou pour l'estimation de la pose. YOLOv8 peut détecter des points clés dans une image ou une trame vidéo avec une grande précision et rapidité.
 
-[Exemples de Pose](pose.md){ .md-button .md-button--primary}
+[Exemples de Pose](pose.md){ .md-button }
 
 ## Conclusion