Nous présentons des réseaux neuronaux entièrement convolutifs basés sur des régions pour une détection d'objets précise et efficace. Contrairement aux détecteurs régionaux précédents tels que Fast/Faster R-CNN qui appliquent un sous-réseau coûteux par région des centaines de fois, notre détecteur régional est entièrement convolutif avec presque toutes les opérations de calcul partagées sur l'image entière. Pour atteindre cet objectif, nous proposons des cartes de scores sensibles à la position afin de résoudre le dilemme entre l'invariance à la translation dans la classification d'images et la variance à la translation dans la détection d'objets. Notre méthode peut ainsi naturellement intégrer des architectures de classificateurs d'images entièrement convolutifs, telles que les derniers Réseaux Résiduels (ResNets), pour la détection d'objets. Nous montrons des résultats compétitifs sur les ensembles de données PASCAL VOC (par exemple, 83,6 % mAP sur l'ensemble 2007) avec le ResNet à 101 couches. Parallèlement, nos résultats sont obtenus à une vitesse de test de 170 ms par image, soit 2,5 à 20 fois plus rapide que celle du Faster R-CNN équivalent. Le code source est rendu publiquement disponible à l'adresse suivante : https://github.com/daijifeng001/r-fcn