Le dénombrement d'objets courants dans une scène naturelle est un problème complexe en vision par ordinateur avec de nombreuses applications pratiques. Les approches actuelles de dénombrement supervisé au niveau des images ne prédisent que le nombre global d'objets et nécessitent une supervision supplémentaire au niveau des instances pour déterminer également les emplacements des objets. Nous proposons une approche supervisée au niveau des images qui fournit à la fois le nombre global d'objets et la distribution spatiale des instances d'objets en construisant une carte de densité de catégories d'objets. Inspirés par des études psychologiques, nous réduisons davantage la supervision au niveau des images en utilisant une information limitée sur le dénombrement d'objets (jusqu'à quatre). À notre connaissance, nous sommes les premiers à proposer l'estimation supervisée au niveau des images de cartes de densité pour le dénombrement d'objets courants et à démontrer son efficacité dans le segmentionnement supervisé au niveau des images des instances. Des expériences exhaustives ont été réalisées sur les jeux de données PASCAL VOC et COCO. Notre approche surpasses les méthodes existantes, y compris celles utilisant une supervision au niveau des instances, sur les deux jeux de données pour le dénombrement d'objets courants. De plus, notre méthode améliore l'état de l'art du segmentionnement supervisé au niveau des images des instances avec un gain relatif de 17,8 % en termes de meilleur chevauchement moyen sur le jeu de données PASCAL VOC 2012.Lien vers le code : https://github.com/GuoleiSun/CountSeg