La détection de voies est une tâche importante mais complexe dans le domaine de la conduite autonome, influencée par de nombreux facteurs tels que les conditions d'éclairage, les occultations causées par d'autres véhicules, les marquages non pertinents sur la route et la propriété intrinsèque des voies d'être longues et étroites. Les méthodes conventionnelles traitent généralement la détection de voies comme une tâche de segmentation sémantique, qui attribue une étiquette de classe à chaque pixel de l'image. Cette formulation repose fortement sur l'hypothèse que le nombre de voies est prédéfini et fixe, et qu'aucun changement de voie ne se produit, ce qui n'est pas toujours vrai. Pour rendre le modèle de détection de voies applicable à un nombre arbitraire de voies et aux scénarios de changement de voie, nous adoptons une approche de segmentation d'instances, qui distingue d'abord les voies du fond puis classe chaque pixel de voie dans chaque instance de voie. De plus, un paradigme d'apprentissage multi-tâches est utilisé pour exploiter au mieux les informations structurelles, et l'architecture pyramidal des caractéristiques est employée pour détecter des voies extrêmement fines. Trois benchmarks populaires en détection de voies, à savoir TuSimple, CULane et BDD100K, sont utilisés pour valider l'efficacité de notre algorithme proposé.