La détection des lignes de délimitation de voie constitue un élément fondamental des systèmes d'assistance au conducteur et de conduite autonome. Les méthodes modernes de détection de voies basées sur une représentation par lignes (row-based) obtiennent de très bons résultats sur les benchmarks de détection de voies. À l’aide d’expériences préliminaires utilisant un oracle, nous décomposons d’abord les composants de la représentation des voies afin d’orienter notre approche. Nous montrons que les positions correctes des voies sont déjà présentes parmi les prédictions d’un détecteur existant basé sur une représentation par lignes, et que les scores de confiance correspondant précisément à l’indice de jaccard (IoU) par rapport aux vérités terrain sont les plus bénéfiques. À partir de cette observation, nous proposons LaneIoU, une nouvelle mesure qui corrèle mieux avec le score d’évaluation en tenant compte des angles locaux des voies. Nous développons un nouveau détecteur, nommé CLRerNet, intégrant LaneIoU dans les fonctions de coût et de perte pour l’affectation des cibles, dans le but d’améliorer la qualité des scores de confiance. Grâce à une évaluation rigoureuse et équitable incluant une validation croisée, nous démontrons que CLRerNet surpassse largement l’état de l’art : il atteint un score F1 de 81,43 % contre 80,47 % pour la méthode existante sur CULane, et 86,47 % contre 86,10 % sur CurveLanes.