Para cumplir con los requisitos en tiempo real del sistema de conducción autónoma, el método existente aumenta directamente el mapa de características de salida del codificador para la predicción píxel a píxel, descuidando así la importancia del decodificador para la predicción de características detalladas. Para resolver este problema, este artículo propone un marco general de detección de carriles basado en la destilación de características de objetos. En primer lugar, se añade un decodificador con una fuerte capacidad de predicción de características a la red mediante el método de aumento directo. Luego, en la etapa de entrenamiento de la red, los resultados de predicción generados por el decodificador se consideran como objetivos suaves a través de la tecnología de destilación del conocimiento, de modo que la rama de aumento directo pueda aprender información de carril más detallada y tener una fuerte capacidad de predicción de características para el decodificador. Finalmente, en la etapa de inferencia de la red, solo necesitamos usar la rama de aumento directo en lugar del cálculo hacia adelante del decodificador, por lo que en comparación con el modelo existente, puede mejorar el rendimiento de detección de carriles sin costos adicionales. Para verificar la efectividad de este marco, se aplica a muchos métodos de segmentación de carriles convencionales como SCNN, DeepLabv1, ResNet, etc. Los resultados experimentales muestran que, bajo la condición de no tener complejidad adicional, el método propuesto puede obtener un rendimiento superior en el conjunto de datos CuLane.