diff --git a/README.fr.md b/README.fr.md
index c78048e..bca93dd 100644
--- a/README.fr.md
+++ b/README.fr.md
@@ -1,6 +1,6 @@
 # Viola Jones
 
-*Lisez ceci dans d'autres langues: [English](README.md)*
+*Lisez ceci dans d'autres langues : [English](README.md)*
 
 ## Description
 
@@ -23,7 +23,7 @@ Implémentation de l'algorithme "Viola Jones" en Python et C++.
 
 Vous pouvez configurer l'algorithme avec les variables globales définies au début du fichier *ViolaJones.cpp* puis lancer 'make start'.
 
-Il y a également la commande 'make clean' qui permet de supprimer tout fichiers compilées.
+Il y a également la commande 'make clean' qui permet de supprimer tous fichiers compilés.
 
 ### Python
 
@@ -34,7 +34,7 @@ Vous pouvez configurer l'algorithme dans le fichier *config.py* puis lancer l'al
 
 ## Entraînement
 
-L'algorithme à été entraîné avec un processeur Intel(R) Core(TM) i7-7700K CPU @ 4.20GHz et un GPU NVIDIA GeForce RTX 2080 Ti.
+L'algorithme a été entraîné avec un processeur Intel(R) Core(TM) i7-7700K CPU @ 4.20GHz et un GPU NVIDIA GeForce RTX 2080 Ti.
 
 ### Tableau de comparaison des temps d'exécution
 
@@ -66,7 +66,7 @@ Il se trouve que le GPU bat systématiquement le CPU en matière de temps d'exé
 
 L'algorithme de ViolaJones étant déterministe, tous les modèles entraînés avec un T donnée, peu importe le moyen (CPU, NJIT ou GPU), seront les mêmes modèles avec les mêmes paramètres.
 
-Rappel: ACC (Accuracy i.e. Précision), F1 (Score F1), FN (Faux Négatif) et FP (Faux Positif).
+Rappel : ACC (Accuracy i.e. Précision), F1 (Score F1), FN (Faux Négatif) et FP (Faux Positif).
 
 | Evaluating         | ACC (E) | F1 (E) | FN (E) | FP (E) | ACC (T) | F1 (T) | FN (T) | FP (T) |
 | ------------------ | ------- | ------ | ------ | ------ | ------- | ------ | ------ | ------ |
@@ -202,7 +202,7 @@ L'algorithme de ViolaJones étant déterministe, les fichiers devraient être é
 | ViolaJones T = 200 (NJIT) | 3,989,600           | 3ms 989µs 600ns          | 15,957,700          | 15ms 957µs 700ns         |
 | ViolaJones T = 300 (NJIT) | 5,983,900           | 5ms 983µs 900ns          | 23,935,500          | 23ms 935µs 500ns         |
 
-## Resources additionnels
+## Ressources additionnelles
 
 - [Rapid Object Detection using a Boosted Cascade of Simple Features](https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf)
 - [Chapter 39. Parallel Prefix Sum (Scan) with CUDA](https://developer.nvidia.com/gpugems/gpugems3/part-vi-gpu-computing/chapter-39-parallel-prefix-sum-scan-cuda)