Les enfants sont souvent victimes de blessures au poignet dans la vie quotidienne, et les radiologues doivent généralement analyser et interpréter des images radiographiques avant le traitement chirurgical par les chirurgiens. Le développement de l'apprentissage profond a permis aux modèles de réseaux neuronaux de fonctionner comme des outils d'aide au diagnostic par ordinateur (CAD) pour aider les médecins et les experts dans leur diagnostic. Comme les modèles YOLOv8 ont obtenu des résultats satisfaisants dans les tâches de détection d'objets, ils ont été appliqués à la détection de fractures. Le bloc de Contexte Global (GC) modèle efficacement le contexte global d'une manière légère, et son intégration dans YOLOv8 peut considérablement améliorer les performances du modèle. Cet article propose le modèle YOLOv8+GC pour la détection de fractures, qui est une version améliorée du modèle YOLOv8 avec le bloc GC. Les résultats expérimentaux montrent que, comparé au modèle YOLOv8 original, le modèle YOLOv8+GC proposé augmente la précision moyenne calculée à un seuil d'intersection sur union de 0.5 (mAP 50) de 63,58% à 66,32% sur l'ensemble de données GRAZPEDWRI-DX, atteignant ainsi le niveau de l'état de l'art (SOTA). Le code source implémentant cette méthode est disponible sur GitHub à l'adresse suivante : https://github.com/RuiyangJu/YOLOv8_Global_Context_Fracture_Detection.