La multiplication des bases de données accessibles publiquement permet de couvrir de nombreuses applications du monde réel. Cependant, certains domaines sont encore très peu explorés, et les bases de données correspondantes sont moins cohérentes et plus sujettes aux erreurs du fait de leur utilisation restreinte. De plus, certains biais peuvent améliorer artificiellement les performances d'un modèle de Deep Learning (DL). Par conséquent, l'évaluation d'un modèle DL nécessite une compréhension claire de la base de données et une méthodologie adaptée pour le comparer à d'autres. Enfin, un modèle reflète souvent la performance sur une base de données. Celle-ci peut se détériorer si un décalage existe entre la base de données initiale et une base de données applicative réelle. Cet article propose de visiter les problèmes ci-dessus en dérivant une version plus cohérente et équilibrée de la base de données vidéo TrashCan de déchets sous-marins.