Les méthodes modernes considèrent principalement la détection de lignes comme un problème de segmentation pixel par pixel, qui peine à faire face aux scénarios difficiles et à la vitesse. Inspirés par la perception humaine, la reconnaissance des lignes dans des conditions de forte occlusion ou d’éclairage extrême repose principalement sur des informations contextuelles et globales. Motivés par cette observation, nous proposons une nouvelle formulation simple mais efficace, visant une vitesse extrêmement élevée et une robustesse face à des scénarios exigeants. Plus précisément, nous traitons le processus de détection de lignes comme un problème de sélection par ligne en utilisant des caractéristiques globales. Grâce à cette sélection par ligne, notre formulation permet de réduire de manière significative le coût computationnel. En exploitant un champ de réception étendu sur les caractéristiques globales, nous pouvons également gérer efficacement les scénarios difficiles. En outre, à partir de cette formulation, nous introduisons une perte structurale pour modéliser explicitement la structure des lignes. Des expériences étendues sur deux jeux de données standard de détection de lignes montrent que notre méthode atteint des performances de pointe en termes de vitesse et de précision. Une version allégée peut même atteindre plus de 300 images par seconde à la même résolution, soit au moins quatre fois plus vite que les méthodes précédemment les plus avancées. Le code source sera rendu publiquement disponible.