Les humains ont un instinct naturel pour identifier les instances d'objets inconnus dans leur environnement. Cette curiosité intrinsèque à l'égard de ces instances inconnues facilite leur apprentissage lorsque les connaissances correspondantes sont finalement disponibles. Cela nous motive à proposer un nouveau problème en vision par ordinateur appelé : « Détection d'Objets en Monde Ouvert » (Open World Object Detection), où un modèle est chargé de : 1) identifier des objets qui ne lui ont pas été présentés comme « inconnus », sans supervision explicite pour le faire, et 2) apprendre progressivement ces catégories inconnues identifiées sans oublier les classes précédemment apprises, lorsque les étiquettes correspondantes sont reçues de manière progressive. Nous formulons ce problème, introduisons un protocole d'évaluation robuste et proposons une solution novatrice que nous appelons ORE : Détecteur d'Objets en Monde Ouvert (Open World Object Detector), basée sur le clustering contrastif et l'identification énergétique des objets inconnus. Nos évaluations expérimentales et nos études d'ablation analysent l'efficacité de ORE dans la réalisation des objectifs du Monde Ouvert. Comme sous-produit intéressant, nous constatons que l'identification et la caractérisation des instances inconnues aident à réduire la confusion dans un cadre de détection incrémentale d'objets, où nous obtenons des performances de pointe sans effort méthodologique supplémentaire. Nous espérons que notre travail attirera davantage de recherches dans cette nouvelle direction de recherche, cruciale mais encore peu explorée.