La saisie d’objets constitue un défi fondamental en robotique et en vision par ordinateur, essentiel pour améliorer les capacités de manipulation robotique. Les objets déformables, tels que les tissus et les vêtements, posent des défis supplémentaires en raison de leur nature non rigide. Dans ce travail, nous introduisons CeDiRNet-3DoF, un modèle d’apprentissage profond dédié à la détection de points de saisie, avec un accent particulier sur les objets en tissu. CeDiRNet-3DoF combine une régression de direction centrale avec un réseau de localisation, remportant la première place dans la tâche de perception du défi de manipulation de tissus organisé lors de l’ICRA 2023. Face au manque de benchmarks standardisés dans la littérature, qui entrave une comparaison efficace des méthodes, nous présentons le ViCoS Towel Dataset. Ce jeu de données étendu comprend 8 000 images réelles et 12 000 images synthétiques, constituant une ressource solide pour l’entraînement et l’évaluation des approches modernes basées sur les données et l’apprentissage profond. Une évaluation approfondie a révélé la robustesse de CeDiRNet-3DoF dans des conditions réelles, surpassant les méthodes de pointe, y compris les modèles les plus récents basés sur les transformateurs. Ce travail comble une lacune cruciale en offrant une solution fiable et un benchmark pour la saisie de tissus en vision par ordinateur et robotique. Le code source et le jeu de données sont disponibles à l’adresse suivante : https://github.com/vicoslab/CeDiRNet-3DoF