La détection d'objets dans des scènes densément peuplées est un domaine nouveau où les détecteurs d'objets standards échouent à s'entraîner efficacement. Les détecteurs d'objets denses, tels que RetinaNet, formés sur de grands ensembles de données et très denses, montrent de très bonnes performances. Nous avons entraîné un détecteur d'objets standard sur un petit ensemble de données normalement peuplé, en utilisant des techniques d'augmentation de données. Cet ensemble de données est 265 fois plus petit que l'ensemble de données standard, en termes de nombre d'annotations. Cette ligne de base à faible volume de données obtient des résultats satisfaisants (mAP = 0.56) pour une intersection sur union (IoU) standard de 0.5. Nous avons également créé un banc d'essai varié pour la détection générique de produits SKU en fournissant des annotations complètes pour plusieurs ensembles de données publics. Il peut être consulté à l'adresse suivante : https://github.com/ParallelDots/generic-sku-detection-benchmark. Nous espérons que ce banc d'essai contribuera à la construction de détecteurs robustes qui fonctionnent de manière fiable dans différents contextes réels.