En tant qu’élément fondamental du système de circulation, les panneaux de signalisation réduisent le risque d’accidents en fournissant aux conducteurs, piétons et autres usagers de la route des informations essentielles sur l’état de la chaussée. Grâce aux progrès rapides de la vision par ordinateur et de l’intelligence artificielle, les systèmes de reconnaissance des panneaux de signalisation sont désormais intégrés aux systèmes d’aide à la conduite avancée (ADAS) et aux véhicules autonomes, afin d’aider les conducteurs et les véhicules auto-propulsés à détecter avec précision les informations routières cruciales. Toutefois, en application réelle, la reconnaissance des petits panneaux de signalisation reste un défi majeur. Dans cet article, nous proposons une méthode efficace pour la reconnaissance des petits panneaux, nommée Traffic-Signs Recognition Small-Aware, inspirée du cadre d’object detection de pointe YOLOv4 et YOLOv5. Notre travail présente globalement quatre contributions principales : (1) concernant le Backbone du modèle, nous introduisons des caractéristiques de haut niveau afin de construire une tête de détection améliorée ; (2) pour le Neck du modèle, nous utilisons un bloc de champ réceptif cross afin de mieux capturer les informations contextuelles des cartes de caractéristiques ; (3) pour la Head du modèle, nous affinons la grille de la tête de détection afin d’améliorer la précision de la détection des petits panneaux ; (4) en ce qui concerne l’entrée, nous proposons une méthode d’augmentation de données appelée Random Erasing-Attention, capable d’accroître le nombre d’échantillons difficiles et de renforcer la robustesse du modèle. Des expériences réelles sur le jeu de données exigeant TT100K montrent que notre méthode permet une amélioration significative des performances par rapport aux états de l’art. En outre, il s’agit d’une méthode en temps réel, offrant un fort potentiel d’application dans les systèmes d’aide à la conduite avancée et les véhicules autonomes.