La détection d'objets dans la robotique mobile est cruciale pour de nombreuses applications, allant de la navigation autonome à l'inspection. Cependant, les robots sont souvent amenés à opérer dans des domaines différents de ceux dans lesquels ils ont été formés, ce qui nécessite qu'ils s'adaptent à ces changements. Les petits robots mobiles, soumis à des contraintes de taille, d'énergie et de calcul, rencontrent encore plus de difficultés pour exécuter et s'adapter à ces algorithmes. Cette adaptabilité est cependant essentielle pour le déploiement en milieu réel, où les robots doivent fonctionner efficacement dans des environnements dynamiques et imprévisibles. Dans cette étude, nous présentons un nouveau benchmark destiné à évaluer les capacités d'apprentissage continu des systèmes de détection d'objets sur des plateformes robotiques miniatures. Nos contributions incluent : (i) Tiny Robotics Object Detection (TiROD), une base de données complète collectée à l'aide de la caméra embarquée d'un petit robot mobile, conçue pour tester les détecteurs d'objets dans divers domaines et classes ; (ii) un benchmark de différentes stratégies d'apprentissage continu sur cette base de données en utilisant NanoDet, un détecteur d'objets léger. Nos résultats mettent en lumière les défis majeurs liés au développement de stratégies d'apprentissage continu robustes et efficaces pour la détection d'objets dans la robotique miniature.