Die meisten hochwertigen Computer-Vision-Aufgaben basieren auf niedrigstufigen Bildoperationen als ihren anfänglichen Prozessen. Operationen wie Kantenerkennung, Bildverbesserung und Super-Resolution bilden die Grundlage für höhere Bildanalyse. In dieser Arbeit befassen wir uns mit der Kantenerkennung unter Berücksichtigung von drei Hauptzielen: Einfachheit, Effizienz und Generalisierung, da aktuelle state-of-the-art (SOTA) Modelle zur Kantenerkennung in Komplexität gesteigert wurden, um die Genauigkeit zu verbessern. Um dies zu erreichen, stellen wir den Tiny and Efficient Edge Detector (TEED) vor, ein leichtes Faltungsneuronales Netzwerk mit nur 58.000 Parametern, was weniger als 0,2 % der Parameter von SOTA-Modellen entspricht. Das Training auf dem BIPED-Datensatz dauert weniger als 30 Minuten, wobei jede Epoche weniger als 5 Minuten benötigt. Unser vorgeschlagenes Modell ist einfach zu trainieren und konvergiert bereits in den ersten wenigen Epochen schnell, während die vorhergesagten Kantenkarten scharf und von hoher Qualität sind. Darüber hinaus schlagen wir einen neuen Datensatz vor, um die Generalisierungsfähigkeit der Kantenerkennung zu testen. Dieser Datensatz enthält Beispiele aus gängigen Bildern, die in der Kantenerkennung und Bildsegmentierung verwendet werden. Der Quellcode ist unter https://github.com/xavysp/TEED verfügbar.