Les détecteurs d'objets modernes s'appuient fortement sur des boîtes englobantes rectangulaires, telles que les ancres, les propositions et les prédictions finales, pour représenter les objets à divers stades de reconnaissance. Bien que la boîte englobante soit pratique à utiliser, elle ne fournit qu'une localisation grossière des objets et entraîne une extraction grossière des caractéristiques des objets. Dans cet article, nous présentons \textbf{RepPoints} (points représentatifs), une nouvelle représentation plus fine des objets sous forme d'un ensemble de points d'échantillonnage utiles pour la localisation et la reconnaissance. Étant donné des cibles de localisation et de reconnaissance vérités du terrain pour l'entraînement, les RepPoints apprennent à s'organiser automatiquement de manière à délimiter l'étendue spatiale d'un objet et à indiquer des zones locales significatives sur le plan sémantique. De plus, ils n'exigent pas l'utilisation d'ancres pour échantillonner un espace de boîtes englobantes. Nous montrons qu'un détecteur d'objets sans ancre basé sur RepPoints peut être aussi efficace que les méthodes de détection basées sur des ancres les plus avancées, avec un AP de 46,5 et un $AP_{50}$AP50​ de 67,4 sur le banc d'essai COCO test-dev de détection, en utilisant le modèle ResNet-101. Le code est disponible à l'adresse suivante : https://github.com/microsoft/RepPoints.