Nous proposons une méthode pour la détection faiblement supervisée d'objets dans les peintures. Lors de l'entraînement, seules des annotations au niveau de l'image sont nécessaires. Cela, combiné à l'efficacité de notre méthode d'apprentissage par multiples instances, permet d'apprendre de nouvelles classes en temps réel à partir de bases de données annotées globalement, évitant ainsi la tâche fastidieuse de marquer manuellement les objets. Nous montrons sur plusieurs bases de données que l'abandon des annotations au niveau des instances ne entraîne que des pertes de performance mineures. Nous introduisons également une nouvelle base de données, IconArt, sur laquelle nous réalisons des expériences de détection pour des classes qui ne peuvent pas être apprises à partir de photographies, telles que le Jésus Enfant ou Saint Sébastien. Selon nos connaissances, ce sont les premières expériences traitant de la détection automatique (et dans notre cas faiblement supervisée) d'éléments iconographiques dans les peintures. Nous pensons qu'une telle méthode est très bénéfique pour aider les historiens de l'art à explorer de grandes bases de données numériques.