Dans le domaine de la vision par ordinateur (CV), l’équilibre entre vitesse et précision demeure un défi majeur. Les récents efforts se sont concentrés sur le développement de réseaux légers visant à optimiser l’efficacité computationnelle et l’extraction de caractéristiques. Toutefois, dans le contexte des images de télédétection (RS), où la détection d’objets petits et multiscales est cruciale, ces réseaux peinent souvent à atteindre des performances satisfaisantes. Pour relever ces défis, nous proposons DecoupleNet, un nouveau réseau fondamental léger spécifiquement conçu pour les tâches visuelles en télédétection dans des environnements à ressources limitées. DecoupleNet intègre deux modules clés : le module de sous-échantillonnage par intégration de caractéristiques (FID) et le module de découplage des caractéristiques à multiples branches (MBFD). Le module FID préserve les caractéristiques des objets petits lors du processus de sous-échantillonnage, tandis que le module MBFD améliore la représentation des caractéristiques des objets petits et multiscales grâce à une approche innovante de découplage. Des évaluations approfondies sur trois tâches visuelles en télédétection démontrent que DecoupleNet offre un meilleur compromis entre précision et efficacité computationnelle par rapport aux réseaux légers existants. Sur le jeu de données de classification NWPU-RESISC45, DecoupleNet atteint une précision top-1 de 95,30 %, dépassant ainsi FasterNet de 2 %, tout en nécessitant moins de paramètres et une charge computationnelle plus faible. En détection d’objets sur le jeu de test DOTA 1.0, DecoupleNet obtient une précision de 78,04 %, surpassant ARC-R50 de 0,69 %. Pour la segmentation sémantique sur le jeu de test LoveDA, DecoupleNet atteint 53,1 % de précision, dépassant UnetFormer de 0,70 %. Ces résultats ouvrent de nouvelles perspectives pour l’avancement de l’analyse des images de télédétection sur des dispositifs à ressources limitées, comblant ainsi un enjeu fondamental dans le domaine. Le code source et les modèles préentraînés sont disponibles publiquement à l’adresse suivante : https://github.com/lwCVer/DecoupleNet.