Les systèmes modernes de suivi multiple d'objets (MOT) suivent généralement le paradigme du \emph{suivi par détection}. Ce paradigme comprend 1) un modèle de détection pour la localisation des cibles et 2) un modèle d'embedding d'apparence pour l'association de données. L'exécution séparée de ces deux modèles peut entraîner des problèmes d'efficacité, car le temps d'exécution est simplement la somme des deux étapes sans exploration des structures potentielles qui peuvent être partagées entre elles. Les recherches existantes sur le suivi en temps réel MOT se concentrent généralement sur l'étape d'association, ce qui les rend essentiellement des méthodes d'association en temps réel, mais pas des systèmes de suivi en temps réel MOT. Dans cet article, nous proposons un système MOT qui permet l'apprentissage conjoint de la détection des cibles et de l'embedding d'apparence dans un même modèle. Plus précisément, nous intégrons le modèle d'embedding d'apparence dans un détecteur mono-tir, afin que le modèle puisse produire simultanément les détections et les embeddings correspondants. Nous proposons également une méthode simple et rapide d'association qui fonctionne en synergie avec le modèle conjoint. Les coûts de calcul sont considérablement réduits dans les deux composantes par rapport aux systèmes MOT antérieurs, ce qui aboutit à une base solide et rapide pour les futures améliorations dans la conception d'algorithmes de suivi en temps réel MOT. À notre connaissance, cette étude présente le premier système (quasi) en temps réel MOT, avec une vitesse d'exécution allant de 22 à 40 images par seconde (FPS), selon la résolution d'entrée. Parallèlement, sa précision de suivi est comparable à celle des trackers les plus performants utilisant l'apprentissage séparé de détection et d'embedding (SDE) ($64,4\%$64,4% MOTA \vs $66,1\%$66,1% MOTA sur le défi MOT-16). Le code source et les modèles sont disponibles à l'adresse \url{https://github.com/Zhongdao/Towards-Realtime-MOT}.