La capacité à détecter des objets indépendamment des distorsions d'image ou des conditions météorologiques est cruciale pour les applications réelles de l'apprentissage profond, telles que la conduite autonome. Nous fournissons ici un benchmark facile à utiliser pour évaluer les performances des modèles de détection d'objets lorsque la qualité des images se dégrade. Les trois ensembles de données de benchmark résultants, nommés Pascal-C, Coco-C et Cityscapes-C, contiennent une grande variété de corruptions d'images. Nous montrons qu'une gamme de modèles de détection d'objets standards subit une perte de performance sévère sur les images corrompues (jusqu'à 30-60 % des performances originales). Cependant, un simple astuce d'augmentation de données---stylisation des images d'entraînement---conduit à une augmentation substantielle de la robustesse, quel que soit le type, la gravité et le jeu de données. Nous prévoyons que notre benchmark complet permettra de suivre les progrès futurs vers la construction de modèles de détection d'objets robustes. Le benchmark, le code et les données sont disponibles au public.