La ligne d’horizon constitue un attribut contextuel important pour une grande variété de tâches de compréhension d’images. À ce titre, de nombreuses méthodes ont été proposées pour estimer sa position à partir d’une seule image. Ces approches nécessitent généralement que l’image contienne des indices spécifiques, tels que des points de fuite, des cercles coplanaires ou des textures régulières, ce qui limite leur applicabilité dans des scénarios réels. Nous introduisons un grand jeu de données d’évaluation réaliste, intitulé Horizon Lines in the Wild (HLW), comprenant des images naturelles annotées avec leur ligne d’horizon. À l’aide de ce jeu de données, nous étudions l’application de réseaux de neurones convolutifs (CNN) pour estimer directement la ligne d’horizon, sans nécessiter de contraintes géométriques explicites ni d’autres indices particuliers. Une évaluation extensive montre que, que ce soit isolément ou en combinaison avec une méthode géométrique précédente, nos CNN atteignent des résultats de pointe sur le jeu de données exigeant HLW, ainsi que sur deux autres jeux de données benchmarks existants.