Les traumatismes du poignet et même les fractures sont fréquents dans la vie quotidienne, en particulier chez les enfants qui représentent une proportion significative des cas de fractures. Avant d'effectuer une intervention chirurgicale, les chirurgiens demandent souvent aux patients de subir une imagerie par rayons X et se préparent en fonction de l'analyse du radiologue. Avec le développement des réseaux neuronaux, les modèles de la série You Only Look Once (YOLO) ont été largement utilisés pour la détection des fractures dans le cadre d'un diagnostic assisté par ordinateur (CAD). En 2023, Ultralytics a présenté la dernière version des modèles YOLO, qui a été employée pour détecter des fractures dans différentes parties du corps. Le mécanisme d'attention est l'une des méthodes les plus populaires pour améliorer les performances du modèle. Cette recherche propose YOLOv8-AM, qui intègre le mécanisme d'attention à l'architecture originale de YOLOv8. Plus précisément, nous utilisons respectivement quatre modules d'attention : Convolutional Block Attention Module (CBAM), Global Attention Mechanism (GAM), Efficient Channel Attention (ECA) et Shuffle Attention (SA), pour concevoir et entraîner les modèles améliorés sur le dataset GRAZPEDWRI-DX. Les résultats expérimentaux montrent que la précision moyenne à Intersection over Union 50 (mAP 50) du modèle YOLOv8-AM basé sur ResBlock + CBAM (ResCBAM) est passée de 63,6 % à 65,8 %, atteignant ainsi les performances de pointe (SOTA). En revanche, le modèle YOLOv8-AM intégrant GAM obtient une valeur mAP 50 de 64,2 %, ce qui ne constitue pas une amélioration satisfaisante. Par conséquent, nous combinons ResBlock et GAM, introduisant ResGAM pour concevoir un autre nouveau modèle YOLOv8-AM, dont la valeur mAP 50 est portée à 65,0 %. Le code source de cette étude est disponible sur GitHub à l'adresse suivante : https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8.