Neuere Arbeiten im Bereich der Spurdetektion konnten bereits eine genaue Spurerkennung in komplexen Szenarien erreichen, doch viele dieser Ansätze liefern keine Echtzeit-Leistung, insbesondere bei begrenzten Rechenressourcen. In dieser Arbeit stellen wir SwiftLane vor – einen einfachen und leichtgewichtigen, end-to-end tiefen Lernansatz, kombiniert mit einer zeilenweisen Klassifizierungsschematik, um eine schnelle und effiziente Spurdetektion zu ermöglichen. Der Ansatz wird durch einen Algorithmus zur Unterdrückung von Falschpositiven und eine Kurvenanpassungstechnik ergänzt, um die Genauigkeit weiter zu steigern. Unser Verfahren erreicht eine Inferenzgeschwindigkeit von 411 Bildern pro Sekunde und übertrifft damit die derzeitigen State-of-the-Art-Methoden hinsichtlich Geschwindigkeit, während es gleichzeitig vergleichbare Ergebnisse hinsichtlich Genauigkeit auf dem etablierten CULane-Benchmark-Datensatz erzielt. Darüber hinaus ermöglicht unsere vorgeschlagene Architektur in Kombination mit TensorRT-Optimierung eine Echtzeit-Spurdetektion auf einem eingebetteten System wie dem Nvidia Jetson AGX Xavier mit einer hohen Inferenzgeschwindigkeit von 56 Bildern pro Sekunde.