Treinamento de rede neural com YOLOV8 para reconhecimento de placas de trânsito

Kolassa, Caroline Paula

Treinamento de rede neural com YOLOV8 para reconhecimento de placas de trânsito

Arquivos

Caroline Paula Kolassa.pdf (14.45 MB)

Autores

Kolassa, Caroline Paula

Orientadores

Tortelli, Daniel Menin

Data

2023

Resumo

Com o crescimento constante da frota de veículos em todo o mundo, a segurança no trânsito tem se tornado uma preocupação cada vez mais recorrente. Dentre as causas de acidentes nesse meio, destaca-se a falta de atenção dos motoristas às sinalizações nas vias públicas, que podem levar a graves acidentes. Neste contexto, o presente trabalho propõe-se a treinar uma rede neural com o algoritmo de detecção de objetos YOLO na versão 8 para identificação de 15 placas de regulamentação e 2 de advertência. Para a rotulagem das imagens foi utilizado o framework Roboflow e para o treinamento do modelo a linguagem de programação Python. O treinamento e estudo realizado acerca do tema contribuiu para o crescimento do conhecimento da área que é tão importante para o desenvolvimento de tecnologias que podem salvar vidas no meio viário. A precisão média da rede treinada alcançou 69,9%, o mAP atingiu 65,3%, e o Recall ficou em 58,8%, cumprindo o objetivo de identificação proposto.

Abstract/Resumen

With the constant growth of the vehicle fleet worldwide, traffic safety has become an increasingly recurring concern. Among the causes of accidents in this field, the lack of attention of drivers to the signs on public roads stands out, which can lead to serious accidents. In this con text, this work proposes to train a neural network with the object detection algorithm YOLO in version 8 to identify 15 regulatory and 2 warning signs. The Roboflow framework was used for image labeling and the Python programming language for model training. The training and study carried out on the subject contributes to the growth of knowledge in an area that is so important for the development of technologies that can save lives on the road. The average result of the trained network reached 69.9%, the mAP reached 65.3%, and the Recall was 58.8%, fulfilling the proposed identification objective.