Fahrstreifen sind wesentliche Bestandteile der visuellen Wahrnehmungssysteme in intelligenten Fahrzeugen und spielen eine entscheidende Rolle bei der sicheren Navigation. Bei der Aufgabe der Fahrstreifenerkennung ist es essentiell, Genauigkeit mit Echtzeit-Leistung auszubalancieren, doch bestehende Methoden opfern oft das eine für das andere. Um diese Spannung zu lösen, stellen wir CLRKDNet vor, ein optimiertes Modell, das die Erkennungs-Genauigkeit mit der Echtzeit-Leistung ausgleicht. Das neueste Modell CLRNet hat außergewöhnliche Leistungen auf verschiedenen Datensätzen gezeigt, jedoch ist sein Rechenaufwand erheblich aufgrund seiner Feature-Pyramid-Network (FPN) und mehrschichtigen Detektionskopf-Architektur. Unsere Methode vereinfacht sowohl die FPN-Struktur als auch die Detektionsköpfe und gestaltet sie neu, um einen innovativen Lehrer-Schüler-Distillationsprozess sowie eine neu eingeführte Reihe von Distillationsverlusten zu integrieren. Diese Kombination verringert die Inferenzzeit um bis zu 60%, während sie eine Erkennungs-Genauigkeit beibehält, die sich mit CLRNet vergleichen lässt. Diese strategische Balance zwischen Genauigkeit und Geschwindigkeit macht CLRKDNet zu einer praktikablen Lösung für Echtzeit-Fahrstreifen-Erkennungsaufgaben in autonomen Fahrzeuganwendungen.