La plupart des tâches de vision par ordinateur de haut niveau reposent sur des opérations d'image de bas niveau comme leurs processus initiaux. Des opérations telles que la détection de contours, l'amélioration d'images et la super-résolution fournissent les bases pour une analyse d'image plus avancée. Dans ce travail, nous abordons la détection de contours en considérant trois objectifs principaux : simplicité, efficacité et généralisation, car les modèles actuels de pointe (SOTA) pour la détection de contours ont augmenté en complexité pour améliorer leur précision. Pour atteindre ces objectifs, nous présentons Tiny and Efficient Edge Detector (TEED), un réseau neuronal convolutif léger avec seulement 58K paramètres, soit moins de 0,2 % des modèles de pointe. L'entraînement sur le jeu de données BIPED prend moins de 30 minutes, chaque époque nécessitant moins de 5 minutes. Notre modèle proposé est facile à entraîner et converge rapidement dès les premières époques, tout en produisant des cartes de contours nettes et de haute qualité. De plus, nous proposons un nouveau jeu de données pour tester la généralisation de la détection de contours, comprenant des échantillons d'images populaires utilisées dans la détection de contours et la segmentation d'images. Le code source est disponible sur https://github.com/xavysp/TEED.