Key points are not available for this paper at this time.
تتطلب أنظمة النقل الذكية (ITS) والمركبات المستقلة أدوات معاصرة ودقيقة للغاية وأساسية لاكتشاف الإشارات بكفاءة. تقدم هذه الورقة البحثية تقييمًا مفصلًا لنموذج التعلم العميق You Only Look Once النسخة 8 (YOLOv8) لكشف وتصنيف إشارات المرور إلى أربع فئات محورية: الأضواء الحمراء، إشارات التوقف، كاميرات السرعة، بالإضافة إلى ممرات المشاة. يقدم البحث الحالي مجموعة بيانات من مستودع Kaggle للتحقيق الشامل في أداء النموذج الذي يحاكي الظروف العملية التي يكون فيها الطقس غير مستقر وتختلف الأشكال المتقدمة للإشارات. استخدم نموذج YOLOv8 منهجيات متطورة، تشمل إعداد مجموعة البيانات، تدريب النموذج، ومقاييس تقييم قوية؛ التي أظهرت في النهاية أن هذا النموذج كان أفضل من حيث الحساسية، الخصوصية، ودرجات f1، وفي الوقت نفسه، يمكن معالجة البيانات في الوقت الحقيقي مما ينطبق على إدارة الحركة والمرور. يظهر أن YOLOv8 أفضل بكثير من جميع الخوارزميات القياسية السابقة، بالإضافة إلى أنه يعتبر من أفضل الحلول لاكتشاف إشارات المرور. الأساليب التي قام بها الباحثون تساهم بانتظام في المجال الأكاديمي لأنها تقدم أدلة من العالم الحقيقي على تأثير نموذج YOLOv8 فضلاً عن توفير تداعيات عملية لتطوير سلامة الطرق والكفاءة التشغيلية لأنظمة النقل الذكية والمركبات المستقلة. إن حدوث موقع مثل هذا يفتح المجال لتطوير تقنيات جديدة لاكتشاف إشارات المرور، مما يُبرز آفاق إدخال مناهج محسّنة وتجميع بيانات متنوعة للمساعدة في تصنيف البيئات المعقدة المحيطة بالقيادة.
بحث غوبتا وآخرون (مون،) في هذا السؤال.