La detección de carriles es una tarea común en visión por computadora que implica identificar los límites de los carriles en una carretera a partir de una imagen o un video. Mejorar la precisión de la detección de carriles es de gran ayuda para los sistemas avanzados de asistencia al conductor y la conducción autónoma que ayudan a los autos a identificar y mantenerse en el carril correcto. Los modelos actuales de alta precisión de detección de carriles se basan principalmente en redes neuronales artificiales. Entre ellos, CLRNet es el modelo famoso más reciente, que logra una alta precisión en la detección de carriles. Sin embargo, en algunos escenarios, CLRNet alcanza una precisión menor en la detección de carriles, y descubrimos que esto se debe a una información de dependencia global insuficiente. En este estudio, mejoramos CLRNet y propusimos un nuevo modelo llamado NonLocal CLRNet (NLNet). NonLocal es un mecanismo algorítmico que captura la dependencia a larga distancia. NLNet emplea NonLocal para adquirir más información de dependencia a larga distancia o información global y luego aplica la información adquirida a una Feature Pyramid Network (FPN) en CLRNet para mejorar la precisión en la detección de carriles. Utilizando el conjunto de datos de CULane, entrenamos NLNet. Los resultados experimentales mostraron que NLNet superó a los modelos de última generación en términos de precisión en la mayoría de los escenarios, especialmente en el escenario sin línea y el escenario nocturno. Este estudio es muy útil para desarrollar modelos de detección de carriles más precisos.