Les déchets marins sont un élément majeur du problème environnemental mondial, et les robots sous-marins autonomes peuvent nettoyer en partie les déchets marins en profondeur. Afin de détecter rapidement et avec précision les déchets marins en eaux profondes, un modèle de détection léger a été développé à l'aide de méthodes d'apprentissage en profondeur (Deep-sea debris yolo, Debris-yolo). Un ensemble de données sur les déchets marins en eaux profondes a été créé à partir de la base de données sur les déchets marins en eaux profondes lancée par le centre de données océanographiques mondiales (GODAC). Le réseau de fusion de caractéristiques BiFPN amélioré a été introduit, réduisant le nombre de paramètres du modèle et améliorant sa capacité à distinguer l'arrière-plan. Ensuite, une tête de détection légère a été conçue, réduisant la complexité de calcul et améliorant la praticité et le déploiement du modèle de détection des déchets marins en eaux profondes. Enfin, une fonction de perte Wise-DIoU (Wise Distance Intersection over Union) a été proposée, supprimant l'interférence des échantillons de mauvaise qualité sur le modèle et permettant au modèle de localiser plus précisément les déchets marins en eaux profondes. Lors de l'apprentissage, des techniques d'augmentation des données et d'équilibrage adaptatif des couleurs sous-marines ont été utilisées pour améliorer l'ensemble de données d'entraînement. Les résultats expérimentaux montrent que, par rapport à YOLOv8n, le modèle Debris-yolo proposé dans cet article augmente respectivement de 1,3 % et 1,6 % les valeurs de mAP_0.5 et de mAP_0.5：0.95, et réduit les nombres de paramètres et GFLOPS de 48,2 % et 36 %.

computer vision;target detection;underwater robot;deep-sea debris