La détection des objets de petite taille est souvent entravée par le flou et la faible résolution, ce qui pose des défis importants pour une détection et une localisation précises de ces objets. En outre, les méthodes classiques d'extraction de caractéristiques peinent généralement à capturer des représentations efficaces pour ces entités, car les opérations de sous-échantillonnage et de convolution contribuent au flou des détails des objets de petite taille. Pour relever ces défis, cette étude propose une approche de détection des objets microscopiques basée sur une fusion ensembliste, qui exploite les avantages de plusieurs variantes de modèles diversifiées et combine leurs prédictions. Les résultats expérimentaux montrent que la méthode proposée exploite efficacement les forces de chaque modèle grâce à la fusion ensembliste, conduisant à une amélioration de la précision et de la robustesse dans la détection des objets de petite taille. Notre modèle obtient le meilleur score de 0,776 en termes de précision moyenne (AP) à un seuil d'intersection sur union (IoU) de 0,5 dans le MVA Challenge sur la détection des objets de petite taille chez les oiseaux.