Les travaux récents sur la détection de lignes ont permis d’obtenir une détection précise des lignes dans des scénarios complexes, tout en échouant pour la plupart à garantir une performance en temps réel, notamment sous contraintes de ressources computationnelles limitées. Dans ce travail, nous proposons SwiftLane : un cadre de deep learning simple et léger, entièrement end-to-end, associé à une formulation de classification par ligne (row-wise classification) afin d’assurer une détection rapide et efficace des lignes. Ce cadre est complété par un algorithme de suppression des faux positifs et une technique d’ajustement de courbe, permettant d’améliorer davantage la précision. Notre méthode atteint une vitesse d’inférence de 411 images par seconde, dépassant les états de l’art en termes de rapidité, tout en obtenant des résultats comparables en précision sur le célèbre jeu de données CULane. En outre, notre cadre proposé, combiné à une optimisation par TensorRT, permet une détection en temps réel des lignes sur une plateforme embarquée Nvidia Jetson AGX Xavier, avec une vitesse d’inférence élevée de 56 images par seconde.