La détection et le suivi d'objets tridimensionnels (3D) en 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 des obstacles. Dans cet article, nous améliorons l'efficacité de la détection d'objets monoculaires en 3D en utilisant la combinaison d'ensembles de données et la distillation de connaissances, et en créant un modèle léger. Tout d'abord, nous combinons des ensembles de données réelles et synthétiques afin d'accroître la diversité et la richesse des données d'apprentissage. Ensuite, nous utilisons la distillation des connaissances pour transférer les connaissances d'un grand modèle pré-entraîné vers un modèle plus petit et plus léger. Enfin, nous créons un modèle léger en sélectionnant les combinaisons de largeur, de profondeur et de résolution afin d'atteindre un objectif de complexité et de temps de calcul. Nos expériences ont montré que l'utilisation de chaque méthode améliore la précision ou 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 auto-conduites et les systèmes ferroviaires.