Uso de redes neuronales para identificación de señales de tráfico

Abstract

En este proyecto de fin de máster nos centramos en la aplicación de la visión artificial y las redes neuronales para el reconocimiento de señales de tráfico, con un enfoque particular en el modelo YOLOv8. La visión artificial ha revolucionado el campo de la inteligencia artificial, permitiendo a las máquinas interpretar y comprender el entorno visual de manera similar a los humanos. El reconocimiento de matrículas y señales de tráfico, debido a su componente de seguridad vial, es una de las aplicaciones más complejas de esta tecnología, contribuyendo significativamente a la automatización de vehículos. En el proyecto examinamos los fundamentos teóricos de las redes neuronales convolucionales y su evolución, destacando cómo modelos avanzados como YOLOv8 han mejorado la precisión y eficiencia del reconocimiento de objetos en tiempo real. Se discutirán las técnicas de entrenamiento de modelos utilizando grandes bases de datos, así como la implementación práctica de estos sistemas en entornos reales. A través de una metodología rigurosa que incluye la recolección y procesamiento de datos, el entrenamiento del modelo en plataformas de computación en la nube y la evaluación de resultados en condiciones diversas, se demuestra la robustez y aplicabilidad de YOLOv8 en el reconocimiento de señales de tráfico. En el estudio también abordamos las limitaciones actuales y se propondrán áreas de mejora futura. En conclusión, este trabajo evidencia el potencial de las redes neuronales y la visión artificial para transformar la seguridad y eficiencia en la conducción autónoma, subrayando la importancia de la continua investigación y desarrollo en este campo para el avance de la inteligencia artificial en consonancia con la industria automotriz.

In this master's thesis project, we focus on the application of computer vision and neural networks for traffic sign recognition, with a particular focus on the YOLOv8 model. Computer vision has revolutionized the field of artificial intelligence, allowing machines to interpret and understand the visual environment in a similar way to humans. The recognition of number plates and road signs, due to its road safety component, is one of the most complex applications of this technology, contributing significantly to vehicle automation. In the project we examine the theoretical foundations of convolutional neural networks and their evolution, highlighting how advanced models such as YOLOv8 have improved the accuracy and efficiency of real-time object recognition. Model training techniques using large databases will be discussed, as well as the practical implementation of these systems in real environments. Through a rigorous methodology that includes data collection and processing, model training on cloud computing platforms, and evaluation of results under varying conditions, the robustness and applicability of YOLOv8 in traffic sign recognition is demonstrated. The study also addresses current limitations and will propose areas for future improvement. In conclusion, this work highlights the potential of neural networks and computer vision to transform safety and efficiency in autonomous driving, underlining the importance of continued research and development in this field for the advancement of artificial intelligence in line with the automotive industry.