Verkehrszeichen-Erkennung und -Detektion mit Yolo-v8

Um die Verkehrssicherheit und Navigation zu gewährleisten, sind autonome Fahrzeuge (AVs) und fortschrittliche Fahrerassistenzsysteme (ADAS) auf die Detektion und Erkennung von Verkehrszeichen (TSDR) angewiesen. Die Wirksamkeit von YOLOv8, einem hochmodernen Deep-Learning-Framework zur Objekterkennung, wird in dieser Forschung im Kontext von Echtzeit-TSDR-Anwendungen untersucht. Durch eine umfassende Methodik, die Datenvorverarbeitung (Änderung der Größe, Normalisierung, Augmentierung), YOLOv8-Architektur (Backbone-Netzwerk, Feature-Pyramidennetzwerk, Vorhersagekopf), Training (Verlustfunktionen, Auswahl des Optimierers, Zeitplanung der Lernrate) und Evaluation mit Standardmetriken (mean Average Precision (mAP), Genauigkeit, Rückruf) für jede Verkehrszeichenklasse umfasst, untersuchen wir die Leistung von YOLOv8 auf einem gut etablierten Datensatz. Die Leistung des Modells wird im Abschnitt Ergebnisse und Diskussion im Detail untersucht, ebenso wie die Auswirkungen von architektonischen Änderungen oder der Feinabstimmung von Hyperparametern (Lernrate, Batch-Größe) auf die Stärken und Schwächen des Modells. Anschließend diskutieren wir die Herausforderungen, die mit TSDR verbunden sind, wie z. B. Okklusionen, variierende Beleuchtung und Wetter sowie Verarbeitungsbeschränkungen in Echtzeit für ADAS/AVs. Zukünftige Forschungsziele und potenzielle Lösungen werden vorgeschlagen, einschließlich der Untersuchung von leichten YOLOv8-Modellen für den Einsatz in eingebetteten Systemen, der Integration von Tiefeninformationen von LiDAR-Sensoren und Techniken zur Domänenanpassung. Die Studie schließt mit der Betonung der Wirksamkeit von YOLOv8 für TSDR und hebt deren Bedeutung für den Fortschritt von AV und ADAS hervor. Wir erkennen die Grenzen der Arbeit an und geben Hinweise für zukünftige Untersuchungen, um die Robustheit und Generalisierbarkeit von auf YOLOv8 basierenden TSDR-Systemen zu verbessern.