La détection de texte dans des scènes à plusieurs orientations a récemment attiré une attention considérable dans la recherche. Les méthodes précédentes prédisaient directement les mots ou les lignes de texte, généralement en utilisant des formes quadrilatérales. Toutefois, de nombreuses de ces approches négligent l'importance d'une étiquetage cohérent, qui est essentiel pour assurer un processus d'entraînement stable, particulièrement lorsque le jeu de données est volumineux. Nous résolvons ce problème en proposant une nouvelle méthode, appelée Orderless Box Discretization (OBD), qui discrétise initialement le cadre quadrilatéral en plusieurs arêtes clés contenant toutes les positions potentielles horizontales et verticales. Pour déduire précisément les positions des sommets, nous proposons une procédure de correspondance simple mais efficace afin de reconstruire les cadres limites quadrilatéraux. Notre méthode résout le problème d’ambiguïté, qui a un impact significatif sur le processus d’apprentissage. Des études ablatives étendues sont menées afin de valider de manière quantitative l’efficacité de notre approche. Plus important encore, sur la base d’OBD, nous fournissons une analyse détaillée de l’impact d’une série d’améliorations, qui pourraient inspirer d’autres chercheurs à concevoir des détecteurs de texte de pointe. En combinant OBD et ces améliorations utiles, nous atteignons des performances de pointe sur diverses benchmarks, notamment ICDAR 2015 et MLT. Notre méthode a également remporté la première place dans la tâche de détection de texte au ICDAR2019 Robust Reading Challenge pour la lecture de textes chinois sur des panneaux publicitaires, démontrant ainsi sa supériorité. Le code est disponible à l’adresse suivante : https://git.io/TextDet.