Le calcul des squelettes d'objets dans les images naturelles est un défi en raison des grandes variations d'apparence et d'échelle des objets, ainsi que de la complexité liée à la gestion du bruit de fond. De nombreuses méthodes récentes abordent la détection des squelettes d'objets comme un problème de classification binaire des pixels, une approche qui s'inspire des méthodes d'apprentissage pour la détection de contours et de la segmentation sémantique. Dans cet article, nous nous écartons de cette stratégie en formant un réseau neuronal convolutif (CNN) pour prédire un champ vectoriel bidimensionnel, qui associe chaque point de la scène à un pixel candidat du squelette, dans l'esprit des algorithmes de squelettisation basés sur le flux. Cette représentation « flux de contexte d'image » présente deux avantages majeurs par rapport aux approches précédentes. Premièrement, elle encode explicitement la position relative des pixels squelette par rapport aux entités sémantiquement significatives, telles que les points d'image dans leur contexte spatial, et donc également les frontières implicites des objets. Deuxièmement, puisque le contexte de détection du squelette est un champ vectoriel basé sur les régions, il est mieux capable de gérer les parties d'objets ayant une largeur importante. Nous évaluons la méthode proposée sur trois jeux de données de référence pour la détection de squelettes et deux pour la détection de symétrie, obtenant systématiquement des performances supérieures aux méthodes les plus avancées actuellement disponibles.