La détection d’objets en environnement industriel est un défi, d’une part à cause de l’absence d’images réelles pour l’apprentissage, et d’autre part à cause de la contrainte de temps réel requise pour l’algorithme, en général embarqué dans un dispositif mobile. Grâce aux données de conception 3D, il est cependant possible de créer une base d’images synthétiques annotées automatiquement pour entraîner un réseau de neurones artificiel, moyennant une performance limitée par l’écart de domaine avec la réalité. Dans cet article, nous étudions la performance d’un réseau de neurones à convolutions (CNN) pour la détection d’objets en temps réel et avec une faible empreinte mémoire : Single-Shot Detector (SSD), avec un réseau MobileNet comme extracteur de caractéristiques. Nous montrons qu’une stratégie d’augmentation adéquate permet d’entraîner SSD avec uniquement des images synthétiques photoréalistes pour détecter des objets industriels dans des images réelles. En particulier, sur la base de données T-LESS, SSD obtient une meilleure performance qu’un réseau Mask R-CNN, avec MobileNet-V2 et MobileNet-V3 comme extracteur de caractéristiques. Nos résultats montrent une amélioration de la précision d’environ 10% obtenue grâce à l’augmentation des données. Le code et les modèles entraînés seront disponibles en ligne.