La détection de visages a reçu une attention intense ces dernières années. De nombreuses études présentent des méthodes spéciales pour la détection de visages sous différents angles tels que l'architecture du modèle, l'augmentation des données, l'attribution des labels, etc., ce qui rend l'algorithme et le système globaux de plus en plus complexes. Dans cet article, nous soulignons qu'\textbf{il n'y a pas d'écart entre la détection de visages et la détection d'objets génériques}. Nous proposons ensuite une méthode de base robuste mais simple pour traiter la détection de visages, appelée TinaFace. Nous utilisons ResNet-50 \cite{he2016deep} comme squelette, et tous les modules et techniques utilisés dans TinaFace sont construits à partir de modules existants, facilement implémentables et basés sur la détection d'objets génériques. Sur l'ensemble de tests difficile du benchmark WIDER FACE \cite{yang2016wider}, le plus populaire et le plus exigeant en matière de détection de visages, avec un seul modèle et une seule échelle, notre TinaFace atteint une précision moyenne (AP) de 92,1%, surpassant la plupart des détecteurs récents utilisant des squelettes plus importants. Après avoir appliqué l'augmentation au moment du test (TTA), notre TinaFace dépasse la méthode actuelle state-of-the-art et atteint une précision moyenne (AP) de 92,4%. Le code sera disponible sur \url{https://github.com/Media-Smart/vedadet}.