Au cours de la dernière décennie, les approches d'apprentissage multi-tâches ont obtenu des résultats prometteurs dans la résolution des problèmes de perception panoramique pour la conduite, offrant à la fois une précision et une efficacité élevées. Cette méthode est devenue un paradigme populaire lors de la conception de réseaux pour les systèmes de conduite autonome en temps réel, où les ressources de calcul sont limitées. Cet article propose un réseau d'apprentissage multi-tâches efficace et performant capable d'effectuer simultanément les tâches de détection d'objets routiers, de segmentation des zones de circulation et de détection des lignes de guidage. Notre modèle a atteint une nouvelle performance au niveau de l'état de l'art (SOTA) en termes de précision et de vitesse sur le jeu de données difficile BDD100K. En particulier, le temps d'inférence a été réduit de moitié par rapport au modèle SOTA précédent. Le code sera rendu disponible prochainement.