L’augmentation de données est devenue un composant incontournable pour l’entraînement de classificateurs d’images profonds à haute performance, mais son potentiel reste sous-exploité en détection d’objets. Observant que la plupart des détecteurs d’objets d’avant-garde tirent profit du fine-tuning d’un classificateur pré-entraîné, nous étudions d’abord la manière dont les gains apportés par différentes techniques d’augmentation de données se transfèrent vers la détection d’objets. Les résultats sont décevants : ces gains s’atténuent après fine-tuning, tant en termes de précision que de robustesse. À la place, cette étude propose d’augmenter la phase de fine-tuning des détecteurs d’objets en explorant les exemples adverses, qui peuvent être considérés comme une forme d’augmentation de données dépendante du modèle. Notre méthode sélectionne dynamiquement les images adverses les plus puissantes issues des branches de classification et de localisation du détecteur, et évolue en parallèle avec ce dernier afin de garantir que la politique d’augmentation reste toujours pertinente et actualisée. Cette augmentation dépendante du modèle se généralise mieux à différents détecteurs d’objets que AutoAugment, une politique d’augmentation indépendante du modèle, recherchée à partir d’un détecteur particulier. Notre approche améliore les performances des EfficientDets d’avant-garde de +1,1 mAP sur le benchmark de détection d’objets COCO. Elle améliore également la robustesse des détecteurs face aux distorsions naturelles de +3,8 mAP et face au décalage de domaine de +1,3 mAP. Les modèles sont disponibles à l’adresse suivante : https://github.com/google/automl/tree/master/efficientdet/Det-AdvProp.md