tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
| Título variante: |
Real-time traffic sign detection and classification |
| Título variante: |
Detección y clasificación de señales de tráfico en tiempo real |
| Fecha: |
2026 |
| Resumen: |
En aquest treball es desenvolupa i s'avalua un mòdul important de la conducció autònoma: el reconeixement de senyals de trànsit. Per a això, s'han entrenat diversos models de detecció i classificació basats en aprenentatge profund, separant-los en dues categories: els enfocaments one-stage, com YOLO, i els two-stage, com Faster R-CNN. Amb l'objectiu de millorar la precisió global, s'ha experimentat amb l'ús d'un classificador integrat en un pipeline que rep les deteccions de YOLO i n'afina la classificació. Després de l'entrenament i validació dels models, s'ha aplicat el pipeline final sobre un vídeo de prova. Cada fotograma s'ha processat per generar una segona versió del vídeo amb els senyals de trànsit delimitats i etiquetats de manera visual. Els resultats mostren la capacitat del sistema per operar en temps real, mantenint l'equilibri adequat entre precisió i rendiment. |
| Resumen: |
This work develops and evaluates a fundamental module of autonomous driving: the recognition of traffic signs. Several deep learning-based detection and classification models have been trained and grouped into two categories: one-stage approaches, such as YOLO, and two-stage approaches, such as Faster R-CNN. To improve overall accuracy, experiments were conducted using a classifier integrated into a pipeline that receives YOLO detections and refines their classification. After training and validating the models, the final pipeline was applied to a test vídeo. Each frame was processed to generate a second version of the video with traffic signs visually outlined and labeled. The results demonstrate the system's ability to operate in real time while maintaining a balanced trade-off between accuracy and performance. |
| Resumen: |
En este trabajo se desarrolla y se evalúa un módulo importante de la conducción autónoma: el reconocimiento de señales de tráfico. Para ello, se han entrenado diversos modelos de detección y clasificación basados en aprendizaje profundo, separándolos en dos categorías: los enfoques one-stage, como YOLO, y los two-stage, como Faster R-CNN. Con el objetivo de mejorar la precisión global, se ha experimentado con el uso de un clasificador integrado en un pipeline que recibe las detecciones de YOLO y afina su clasificación. Después del entrenamiento y validación de los modelos, se ha aplicado el pipeline final sobre un vídeo de prueba. Cada fotograma se ha procesado para generar una segunda versión del vídeo con las señales de tráfico delimitadas y etiquetadas de manera visual. Los resultados muestran la capacidad del sistema para operar en tiempo real, manteniendo el equilibrio adecuado entre precisión y rendimiento. |
| Derechos: |
Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades.  |
| Lengua: |
Català |
| Titulación: |
Enginyeria Informàtica [2502441] |
| Plan de estudios: |
Enginyeria Informàtica [958] |
| Documento: |
Treball final de grau |
| Área temática: |
Menció Computació |
| Materia: |
Conducció autònoma ;
Visió per computador ;
Senyals de trànsit ;
YOLO ;
Faster R-CNN ;
Xarxes neuronals convolucionals ;
Execució en temps real ;
Autonomous driving ;
Computer vision ;
Traffic sign recognition ;
Convolutional neural networks ;
Real-time execution ;
Conducción autónoma ;
Visión por computador ;
Señales de tráfico ;
Redes neuronales convolucionales ;
Ejecución en tiempo real |
visitante ::
identificación
