L’entraînement de réseaux neuronaux profonds sans poids pré-entraînés et avec peu de données nécessite généralement un plus grand nombre d’itérations d’entraînement. Il est également établi que les modèles plus profonds obtiennent de meilleurs résultats que leurs homologues plus simples sur la tâche de segmentation sémantique. Ainsi, nous proposons l’architecture EfficientSeg, une version modifiée et évolutif de U-Net, capable d’être efficacement entraînée malgré sa profondeur. Nous avons évalué EfficientSeg sur le jeu de données Minicity, et dépassé le score de base U-Net (40 % de mIoU) en utilisant le même nombre de paramètres (51,5 % de mIoU). Notre modèle le plus performant a atteint un score de 58,1 % de mIoU, se classant ainsi au quatrième rang dans la tâche de segmentation sémantique du défi ECCV 2020 VIPriors.