Nous présentons une étude approfondie sur une nouvelle tâche nommée détection d'objets camouflés (COD), dont l'objectif est d'identifier des objets « parfaitement intégrés » à leur environnement. Les similitudes intrinsèques élevées entre l'objet cible et le fond rendent la COD bien plus difficile que la détection d'objets classique. Pour relever ce défi, nous avons soigneusement collecté un nouveau jeu de données, baptisé COD10K, comprenant 10 000 images couvrant des objets camouflés dans diverses scènes naturelles, répartis en plus de 78 catégories. Toutes les images sont annotées de manière dense avec des étiquettes de catégorie, de boîte englobante, de niveau objet/instance, ainsi que de niveau matting. Ce jeu de données peut servir de catalyseur au progrès de nombreuses tâches de vision par ordinateur, telles que la localisation, la segmentation et le matting alpha. Par ailleurs, nous avons développé un cadre simple mais efficace pour la COD, nommé Search Identification Network (SINet). Sans recourir à des artifices complexes, SINet surpasse plusieurs méthodes de détection d'objets de pointe sur l'ensemble des jeux de données testés, s'imposant ainsi comme un cadre robuste et généralisable, pouvant stimuler les recherches futures dans le domaine de la COD. Enfin, nous avons mené une étude à grande échelle sur la COD, évaluant 13 modèles de pointe, en tirant des observations intéressantes et en illustrant plusieurs applications potentielles. Notre recherche offre à la communauté scientifique une opportunité d'explorer davantage ce domaine émergent. Le code source sera disponible à l'adresse suivante : https://github.com/DengPingFan/SINet/.