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, puis se préparent pour l'intervention en se basant sur l'analyse des images radiographiques. Avec le développement des réseaux neuronaux, les modèles de la série You Only Look Once (YOLO) ont été largement utilisés pour la détection de fractures dans le cadre du Diagnostic Assisté par Ordinateur, où le modèle YOLOv8 a obtenu des résultats satisfaisants.L'application de modules d'attention aux réseaux neuronaux est l'une des méthodes efficaces pour améliorer les performances du modèle. Cet article propose YOLOv8-ResCBAM, qui intègre un module d'attention par bloc convolutif combiné à un bloc résiduel (Convolutional Block Attention Module integrated with resblock (ResCBAM)) dans l'architecture originale du réseau YOLOv8. Les résultats expérimentaux sur le jeu de données GRAZPEDWRI-DX montrent que la précision moyenne calculée au seuil de Intersection over Union de 0,5 (mAP 50) du modèle proposé a augmenté de 63,6 % du modèle YOLOv8 original à 65,8 %, atteignant ainsi les meilleures performances actuelles. Le code d'implémentation est disponible à l'adresse suivante : https://github.com/RuiyangJu/Fracture_Detection_Improved_YOLOv8.