Ces dernières années, le changement climatique et la pollution marine ont considérablement dégradé les récifs coralliens, mettant en évidence la nécessité urgente de détecter automatiquement les coraux afin de surveiller les écosystèmes marins. Toutefois, la détection des coraux sous-marins soulève des défis spécifiques, tels qu’un contraste faible dans les images, des structures coralliens complexes et une densité élevée de croissance, qui limitent l’efficacité des algorithmes généraux de détection d’objets. Pour relever ces défis, nous proposons SCoralDet, un modèle de détection de coraux souples basé sur l’architecture YOLO. Premièrement, nous introduisons un bloc de fusion multi-chemin (MPFB) permettant de capturer les caractéristiques corallienes à plusieurs échelles, ce qui renforce la robustesse du modèle face à l’éclairage inégal et au flou d’image. Nous améliorons par ailleurs l’efficacité d’inférence en appliquant une réparamétrisation. Deuxièmement, nous intégrons des composants légers tels que GSConv et VoV-GSCSP afin de réduire la charge computationnelle sans compromettre les performances. En outre, nous avons développé une stratégie d’attribution d’étiquettes par transformation adaptative de puissance, qui ajuste dynamiquement les métriques d’alignement des ancres. En intégrant des étiquettes souples et une perte de région centrale souple, notre modèle est guidé vers des prédictions de haute qualité et bien alignées. Nous évaluons SCoralDet sur le jeu de données Soft-Coral, obtenant une latence d’inférence de 9,52 ms et un mAP50 de 81,9. Ces résultats dépassent ceux de YOLOv5 (79,9), YOLOv6 (79,4), YOLOv8 (79,5), YOLOv9 (78,3) et YOLOv10 (79,5). Ces performances démontrent l’efficacité et la faisabilité de SCoralDet pour les tâches de détection sous-marine des coraux.