L’un des principaux facteurs ayant contribué aux progrès importants réalisés dans le domaine de la conduite autonome est l’émergence du deep learning. Pour garantir une sécurité accrue des véhicules autonomes, l’un des problèmes qui n’a pas encore été entièrement résolu concerne la détection des lignes de chaussée. Étant donné que les méthodes de détection doivent fonctionner en temps réel (à plus de 30 FPS), elles doivent non seulement être efficaces (c’est-à-dire offrir une haute précision), mais aussi être performantes en termes de rapidité (c’est-à-dire être rapides). Dans ce travail, nous proposons une nouvelle méthode de détection des lignes de chaussée qui prend en entrée une image provenant d’une caméra frontale montée sur le véhicule et qui produit, via une régression polynomiale profonde, des polynômes représentant chaque marqueur de ligne dans l’image. La méthode proposée se révèle compétitive par rapport aux approches de pointe actuelles sur le jeu de données TuSimple, tout en maintenant une efficacité remarquable (115 FPS). En outre, nous présentons des résultats qualitatifs étendus sur deux autres jeux de données publics, ainsi que des observations concernant les limites des métriques d’évaluation utilisées dans les travaux récents sur la détection des lignes. Enfin, nous mettons à disposition le code source et les modèles entraînés, permettant à d’autres chercheurs de reproduire tous les résultats présentés dans cet article — une pratique qui reste, en réalité, rare dans les méthodes de pointe actuelles pour la détection des lignes. Le code source complet et les modèles pré-entraînés sont disponibles à l’adresse suivante : https://github.com/lucastabelini/PolyLaneNet.