La détection et le suivi d'objets tridimensionnels (3D) temps-réel est une tâche importante dans le cas des véhicules autonomes et de la mobilité intelligente routière et ferroviaire, afin de leur permettre d'analyser leur environnement à des fins de navigation et d'évitement d'obstacles. Dans cet article, nous essayons d'améliorer l'efficacité de la détection d'objets 3D monoculaire en utilisant la combinaison de jeux de données, la distillation de connaissances et la création d'un modèle léger. Tout d'abord, nous combinons des ensembles de données réelles et synthétiques pour augmenter la diversité et la richesse des données d'entraînement. Ensuite, nous utilisons la distillation des connaissances pour transférer les connaissances d'un grand modèle pré-entraîné vers un modèle plus petit et léger. Enfin, nous avons créé un modèle léger en sélectionnant les combinaisons de largeur, de profondeur et de résolution afin d'atteindre une complexité et un temps de calcul cibles. Nos expériences montrent que l'utilisation de chaque méthode améliore soit la précision, soit l'efficacité de notre modèle, sans inconvénient majeur. L'utilisation de toutes ces approches est particulièrement utile pour les environnements à ressources limitées, tels que les voitures à conduite autonome et les systèmes ferroviaires.