Récemment, Barbu et al. ont introduit un jeu de données appelé ObjectNet, comprenant des objets dans des situations de la vie quotidienne. Ils ont mis en évidence une chute spectaculaire des performances des modèles d’identification d’objets les plus avancés sur ce jeu de données. En raison de l’importance et des implications de leurs résultats concernant la capacité de généralisation des modèles profonds, nous revisitons leurs conclusions. Nous mettons en évidence un problème majeur dans leur travail : l’application de détecteurs d’objets à des scènes contenant plusieurs objets, plutôt qu’à des objets isolés. Cette erreur entraîne une amélioration de performance d’environ 20 à 30 % lorsqu’elle est corrigée avec notre code. Par rapport aux résultats rapportés dans le papier d’ObjectNet, nous constatons que près de 10 à 15 % de la perte de performance peut être récupérée, sans aucune augmentation de données au moment du test. Toutefois, conformément aux conclusions de Barbu et al., nous concluons également que les modèles profonds peinent considérablement sur ce jeu de données. Par conséquent, nous estimons que ObjectNet demeure un défi significatif pour évaluer la capacité de généralisation des modèles au-delà des jeux de données sur lesquels ils ont été entraînés.