Les fractures du poignet sont très fréquentes chez les enfants et peuvent avoir un impact significatif sur leurs activités quotidiennes, telles que la fréquentation de l'école, la participation aux sports et l'accomplissement des tâches de soins personnels de base. Si elles ne sont pas traitées correctement, ces fractures peuvent entraîner des douleurs chroniques, une réduction de la fonctionnalité du poignet et d'autres complications à long terme. Récemment, les progrès dans la détection d'objets ont montré un potentiel prometteur pour améliorer la détection des fractures, avec des systèmes atteignant une précision comparable, voire supérieure, à celle des radiologues humains. La série YOLO a particulièrement démontré un succès notable dans ce domaine. Cette étude est la première à fournir une évaluation approfondie de diverses variantes de YOLOv10 afin d'évaluer leur performance dans la détection des fractures du poignet pédiatriques en utilisant le jeu de données GRAZPEDWRI-DX. Elle examine comment les modifications de la complexité du modèle, l'échelonnement de l'architecture et la mise en œuvre d'une stratégie d'affectation double-étiquette peuvent améliorer les performances de détection. Les résultats expérimentaux indiquent que notre modèle formé a atteint une précision moyenne (mAP@50-95) de 51,9 %, surpassant le benchmark actuel de YOLOv9 de 43,3 % sur ce jeu de données. Cela représente une amélioration de 8,6 %. Le code d'implémentation est disponible au public sur https://github.com/ammarlodhi255/YOLOv10-Fracture-Detection.