La détection précoce de boiterie est un enjeu crucial pour la santé équine. Bien que traditionnellement fondée sur l'observation humaine, cette tâche reste subjective et dépendante de l'expertise du praticien. L’apprentissage automatique offre des perspectives d’automatisation plus objectives, mais repose sur l’accès à des bases de données annotées, rares et coûteuses à constituer. De plus, les différences visuelles entre les vidéos (éclairage, angle, qualité) rendent difficile la généralisation des modèles d’un contexte à un autre.L'application des GANs et de Cycle-GAN ont prouvé leur efficacité dans de nombreuses tâches d’adaptation de domaine, notamment pour la transformation d’images entre différents contextes visuels. Dans ce travail, nous explorons l’adaptation de domaine comme solution à la problématique de boiterie, en utilisant une architecture LSCycleGAN. Une approche non supervisée pour aligner visuellement des vidéos non annotées (domaine source) avec des vidéos annotées (domaine cible) de chevaux boiteux et non boiteux. Notre approche se décompose en trois étapes : (A) entraînement d’un classifieur sur les données annotées, (B) adaptation des vidéos non annotées vers le domaine cible, et (C) classification des vidéos adaptées.Les premiers résultats montrent que l’adaptation permet de réduire efficacement les écarts visuels entre les domaines, préparant ainsi le terrain pour une future classification automatique à partir de vidéos non annotées capturées en conditions réelles.