La détection de segments de droite est une tâche fondamentale de bas niveau en vision par ordinateur, et les améliorations dans cette tâche peuvent avoir un impact sur des méthodes plus avancées qui en dépendent. La plupart des nouvelles méthodes développées pour la détection de segments de droite sont basées sur des Réseaux Neuronaux Convolutifs (CNNs). Notre article vise à relever les défis qui entravent l'adoption plus large des méthodes basées sur les transformateurs pour la détection de segments de droite. Plus précisément, nous introduisons un nouveau modèle appelé Détection de Segments de Droite Basée sur le Transformateur Déformable (DT-LSD), qui prend en charge les interactions inter-échelles et peut être formé rapidement. Ce travail propose un nouveau détecteur de segments de droite basé sur le transformateur déformable (DT-LSD) qui remédie aux inconvénients du LETR. Pour accélérer la formation, nous introduisons la Dénombrement Contrastif Ligne (LCDN), une technique qui stabilise le processus d'appariement un-à-un et accélère la formation par 34 fois. Nous montrons que DT-LSD est plus rapide et plus précis que son modèle précurseur basé sur le transformateur (LETR) et surpasses tous les modèles basés sur les CNNs en termes de précision. Dans le jeu de données Wireframe, DT-LSD atteint 71,7 pour $sAP^{10}$sAP10 et 73,9 pour $sAP^{15}$sAP15 ; tandis que dans le jeu de données YorkUrban, il atteint 33,2 pour $sAP^{10}$sAP10 et 35,1 pour $sAP^{15}$sAP15.