Martínez de Dios, José RamiroTapia López, RaúlMuñoz Espinosa, Álvaro2025-06-022025-06-022025Muñoz Espinosa, Á. (2025). Detección y Clasificación Eficiente de Señales de Tráfico mediante Redes Convolucionales. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla.https://hdl.handle.net/11441/173854Enelámbitodela seguridad vial y la asistencia a la conducción, el reconocimiento de señales de tráfico mediante técnicas de visión artificial se ha convertido en un área de gran interés. Este Trabajo Fin de Grado tiene como objetivo desarrollar un sistema eficiente para la detección y clasificación rápida de señales de tráfico, utilizando redes neuronales convolucionales profundas. El proyecto se compone de dos etapas principales: la detección de señales, realizada mediante la arquitectura YOLOv8, y la clasificación de las mismas, para lo cual se han diseñado y entrenado redes personalizadas. A lo largo del trabajo se ha llevado a cabo un exhaustivo estudio del estado del arte en redes neuronales y arquitecturas profundas, así como un análisis detallado de los tipos de capas más relevantes y las métricas que se usan para evaluar el rendimiento de los modelos. El sistema se ha entrenado y validado utilizando conjuntos de datos reconocidos, como BDD100K para la detección y GTSDB para la clasificación. Adicionalmente, se ha desarrollado un pipeline automatizado que permite integrar ambas etapas y procesar secuencias de video en tiempo real, mostrando la viabilidad del sistema para su aplicación en entornos reales. Por último, se han comparado los resultados obtenidos por las redes personalizadas con los modelos de clasificación de YOLOv8 demostrando que las redes desarrolladas alcanzan un rendimiento competitivo en términos de precisión y una mejora significativa en la velocidad de inferencia, siendo hasta diez veces más rápidas.Inthe field of road safety and driver assistance, traffic sign recognition using computer vision techniques has become an area of great interest. This Final Degree Project aims to develop an efficient system for the fast detection and classification of traffic signs using deep convolutional neural networks. The project consists of two main stages: traffic sign detection, performed using the YOLOv8 architecture, and classification, for which custom-designed and trained networks have been implemented. Throughout the project, an exhaustive study of the state of the art in neural networks and deep architectures was conducted, along with a detailed analysis of the most relevant types of layers and the metrics used to evaluate model performance. The system was trained and validated using well-known datasets, such as BDD100K for detection and GTSDB for classification. Additionally, an automated pipeline was developed to integrate both stages and process video sequences in real time, demonstrating the feasibility of the system for real-world applications. Finally, the results obtained by the custom networks were compared with the YOLOv8 classification models, showing that the developed networks achieve competitive performance in terms of accuracy and a significant improvement in inference speed, being up to ten times faster.application/pdf82 p.spaAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/openAccess