Les approches précédentes pour la détection de texte dans les scènes ont déjà atteint des performances prometteuses sur diverses bases de données. Toutefois, elles peinent souvent à faire face à des scénarios complexes, même lorsqu’elles sont basées sur des modèles à réseaux de neurones profonds, car la performance globale dépend de l’interaction entre plusieurs étapes et composants du pipeline. Dans ce travail, nous proposons un pipeline simple mais puissant, capable d’effectuer une détection rapide et précise du texte dans des scènes naturelles. Ce pipeline prédit directement des mots ou des lignes de texte de formes arbitraires et d’orientations quelconques dans des images entières, en éliminant les étapes intermédiaires inutiles (par exemple, l’agrégation de candidats ou la segmentation des mots), grâce à un seul réseau de neurones. La simplicité de notre pipeline permet de se concentrer davantage sur la conception de fonctions de perte et d’architectures de réseaux de neurones. Des expériences menées sur des bases de données standards, notamment ICDAR 2015, COCO-Text et MSRA-TD500, montrent que l’algorithme proposé dépasse significativement les méthodes de pointe en termes de précision et d’efficacité. Sur la base ICDAR 2015, l’algorithme atteint un score F de 0,7820 à 13,2 images par seconde (fps) à une résolution de 720p.