Dans les tâches d'estimation de points clés telles que l'estimation de la posture humaine, la régression basée sur les cartes de chaleur reste la méthode dominante, malgré des inconvénients notables : les cartes de chaleur souffrent intrinsèquement d'une erreur de quantification et nécessitent des calculs excessifs pour leur génération et leur post-traitement. Motivés par la recherche d'une solution plus efficace, nous proposons de modéliser les points clés individuels ainsi que les ensembles de points clés spatialement corrélés (c’est-à-dire les postures) comme des objets au sein d’un cadre de détection à une seule étape, dense et basé sur des ancres. Nous appelons donc notre méthode KAPAO (prononcé « Ka-Pow »), pour Keypoints And Poses As Objects. KAPAO est appliquée au problème de l’estimation de posture humaine à plusieurs personnes en une seule étape en détectant simultanément les objets posture et points clés, puis en fusionnant les détections pour exploiter les avantages des deux représentations d’objets. Nos expériences montrent que KAPAO est plus rapide et plus précise que les méthodes précédentes, qui souffrent fortement du post-traitement des cartes de chaleur. Le compromis précision-vitesse est particulièrement avantageux dans un contexte pratique, notamment sans recours à une augmentation au moment du test. Code source : https://github.com/wmcnally/kapao.