Le réseau de bout en bout (end-to-end network) est devenu de plus en plus important dans le domaine du multitâche. Un exemple particulièrement notable est l'augmentation de la pertinence d'un système de perception pour la conduite dans le cadre de la conduite autonome. Cet article étudie systématiquement un réseau de perception de bout en bout pour le multitâche et propose plusieurs optimisations clés afin d'améliorer sa précision. Premièrement, l'article propose des têtes de segmentation efficaces et des réseaux de prédiction de boîtes/classes basés sur un réseau de caractéristiques bidirectionnel pondéré. Deuxièmement, il propose des ancres personnalisées automatiquement pour chaque niveau du réseau de caractéristiques bidirectionnel pondéré. Troisièmement, il propose une fonction de perte d'entraînement efficace et une stratégie d'entraînement pour équilibrer et optimiser le réseau.Sur la base de ces optimisations, nous avons développé un réseau de perception de bout en bout capable d'effectuer des tâches multitâche, notamment la détection d'objets routiers, la segmentation des zones praticables et la détection des lignes directrices simultanément, appelé HybridNets. Ce dernier atteint une précision supérieure à celle des travaux antérieurs. Plus précisément, HybridNets obtient une moyenne de précision (mean Average Precision) de 77,3 % sur le jeu de données Berkeley DeepDrive, surpassant la détection des lignes directrices avec une moyenne d'Intersection Over Union (IOU) de 31,6 % tout en utilisant 12,83 millions de paramètres et 15,6 milliards d'opérations à virgule flottante. De plus, il peut effectuer les tâches de perception visuelle en temps réel, ce qui en fait une solution pratique et précise au problème du multitâche.Le code source est disponible à l'adresse suivante : https://github.com/datvuthanh/HybridNets.