La détection d'objets est considérée comme l'un des problèmes les plus complexes en vision par ordinateur, car elle nécessite une prédiction correcte à la fois des classes et des emplacements des objets dans les images. Dans cette étude, nous définissons un scénario encore plus difficile, à savoir la détection d'objets sans exemple (ZSD) où aucune donnée visuelle d'entraînement n'est disponible pour certaines des classes cibles d'objets. Nous présentons une nouvelle approche pour résoudre ce problème de ZSD, utilisant une combinaison convexe d'embeddings en conjonction avec un cadre de détection. Pour évaluer les méthodes de ZSD, nous proposons un jeu de données simple construit à partir d'images Fashion-MNIST et également une partition personnalisée sans exemple pour le défi de détection Pascal VOC. Les résultats expérimentaux suggèrent que notre méthode produit des résultats prometteurs pour la ZSD.