La suppression non maximale (Non-Maximum Suppression, NMS) est essentielle pour la détection d'objets et influence les résultats d'évaluation en introduisant des faux positifs (FP) et des faux négatifs (FN), particulièrement dans les scènes de foule avec occlusion. Dans cet article, nous mettons en évidence le problème de faible connexion entre les cibles d'apprentissage et les métriques d'évaluation causée par NMS, et proposons une nouvelle perte, appelée NMS-Loss, permettant d'entraîner de manière end-to-end la procédure NMS sans ajouter de paramètres réseau supplémentaires. La NMS-Loss pénalise deux cas : l'échec de suppression d'un faux positif et l'élimination erronée d'un vrai négatif par NMS. Plus précisément, nous introduisons une perte d'attraction (pull loss) pour rapprocher les prédictions associées à la même cible, et une perte de répulsion (push loss) pour éloigner les prédictions associées à des cibles différentes. Les résultats expérimentaux montrent qu’avec l’aide de la NMS-Loss, notre détecteur, nommé NMS-Ped, atteint des performances remarquables, avec un taux de non-détection (Miss Rate) de 5,92 % sur le jeu de données Caltech et de 10,08 % sur CityPersons, surpassant ainsi tous les concurrents de l’état de l’art.