L'apprentissage à peu d'exemples, c’est-à-dire l'apprentissage de nouveaux concepts à partir de très peu d'exemples, constitue un pilier fondamental des systèmes pratiques de reconnaissance visuelle. Alors que la majorité des travaux existants se concentrent sur la classification à peu d'exemples, nous faisons une avancée vers la détection d'objets à peu d'exemples, une tâche plus exigeante mais encore peu explorée. Nous proposons un cadre fondé sur l'apprentissage métadonnées, conceptuellement simple mais puissant, qui traite de manière unifiée et cohérente à la fois la classification et la localisation à peu d'exemples. Ce cadre exploite les connaissances au niveau métadonnées sur la « génération de paramètres de modèle » issues des classes de base, riches en données, afin de faciliter la conception d'un détecteur pour des classes nouvelles. Notre insight principal consiste à séparer l'apprentissage des composants indépendants de catégorie et des composants spécifiques à chaque catégorie dans un modèle de détection basé sur un réseau de neurones convolutifs (CNN). Plus précisément, nous introduisons un métamodèle de prédiction de poids qui permet de prédire les paramètres des composants spécifiques à la catégorie à partir de très peu d'exemples. Nous établissons une évaluation systématique des performances des détecteurs modernes dans un régime à faible nombre d'échantillons. Des expériences menées dans diverses scénarios réalistes — y compris des configurations intra-domaine, inter-domaine et à queue longue — démontrent l'efficacité et la généralité de notre approche sous différentes définitions de classes nouvelles.