Déployer des détecteurs de visages basés sur l’apprentissage profond sur des dispositifs embarqués constitue une tâche difficile en raison des ressources computationnelles limitées. Même si la binarisation des poids d’un réseau extrêmement petit permet d’obtenir une compacité remarquable en termes de taille du modèle (par exemple, 240,9 Ko pour IFQ-Tinier-YOLO), cette taille reste insuffisante pour être intégrée dans des dispositifs embarqués soumis à des contraintes strictes de mémoire. Dans cet article, nous proposons DupNet, une architecture composée de deux composants. Premièrement, nous utilisons des poids avec des canaux dupliqués dans les couches intensives en poids afin de réduire la taille du modèle. Deuxièmement, pour les couches sensibles à la quantification, dont la quantification entraîne une baisse notable de précision, nous dupliquons les cartes de caractéristiques d’entrée. Cela permet d’utiliser un plus grand nombre de canaux de poids pour produire des sorties plus représentatives. À partir de cette approche, nous proposons un détecteur de visages extrêmement petit, DupNet-Tinier-YOLO, dont la taille du modèle est 6,5 fois plus petite et la complexité computationnelle réduite de 42,0 %, tout en atteignant une précision de détection supérieure de 2,4 % par rapport à IFQ-Tinier-YOLO. En comparaison avec Tiny-YOLO à précision pleine, DupNet-Tinier-YOLO offre des économies respectives de 1 694,2 fois en taille du modèle et de 389,9 fois en complexité computationnelle, avec seulement une baisse de 4,0 % de la précision de détection (0,880 contre 0,920). En outre, DupNet-Tinier-YOLO ne pèse que 36,9 Ko, ce qui en fait, à notre connaissance, le détecteur profond de visages le plus petit au monde.