تشخیص و شناسایی علائم ترافیکی با استفاده از شبکه های YOLOv3

در این مقاله از شبکه‌های YOLOv3 اصلاح‌شده، YOLOv3-SPP و Tiny YOLOv3 برای شناسایی علائم ترافیکی پایگاه جدیدی شامل 4000 تصویر و 24 کلاس از علائم ترافیکی شهر زاهدان استفاده شده است. مدل شبکه‌ها به‌گونه‌ای طراحی شده‌اند که در زمان بلادرنگ و با دقت بالا علائم ترافیکی به‌ویژه کوچک شناسایی و طبقه‌بندی شوند. تصویربرداری از داخل ماشین در حال حرکت و در شرایط مختلف آب‌و‌هوایی، زوایای دید متفاوت، همراه با انسداد علائم، و پس‌زمینه‌ی شلوغ انجام شده است. برای عملکرد بهتر شبکه‌ها، تعداد تصاویر پایگاه جدید با استفاده از تکنیک‌های افزایش داده مانند چرخش، تغییر اندازه، افزودن نویز و تولید داده‌های مصنوعی به 26۶۴0 تصویر افزایش یافته است. آموزش و ارزیابی شبکه‌ها توسط هر دو پایگاه جدید اصلی و توسعه‌یافته انجام شده است. برای کاهش تعداد گام‌ها، و زمان آموزش و جلوگیری از بیش‌برازش، از روش انتقال یادگیری استفاده شده است. مقایسه‌ی نتایج، بالاتر بودن میانگین دقت متوسط را برای شبکه‌ی YOLOv3-SPP و  بالاتربودن سرعت را برای شبکه‌ی Tiny YOLOv3 نشان می‌دهند. در نهایت، میانگین دقت متوسط برروی پایگاه جدید توسعه‌یافته برای شبکه‌های YOLOv3 اصلاح‌شده و YOLOv3-SPP به ۸/۹۸٪ رسیده است.