Traffic Sign Detection

Enhancing Road Safety, preparation of road maps, smart city, traffic efficiency

سامانه هوش مصنوعی تشخیص علائم ترافیکی

افزایش ایمنی جاده، تهیه نقشه راه، شهر هوشمند، بهره وری ترافیک

در این مخزن گیت هاب، نسخه ای سبک از پروژه ما برای تشخیص علائم راهنمایی ارائه شده است.

In this git repository a light version of our Traffic Sign Detection project is presented.

نمونه تشخیص (Detection sample):

کاربردهای این سامانه:

سامانه هوش مصنوعی تشخیص علائم ترافیکی به عنوان یکی از کاربردهای مهم هوش مصنوعی در حوزه مهندسی ترافیک و راهنمایی و رانندگی دارای مزایای زیادی است. کاربردها و مزایا اصلی این سامانه به شرح زیر هستند:

1- ترافیک هوش مصنوعی: این سامانه‌ها به عنوان بخشی از ترافیک هوش مصنوعی و اینترنت اشیاء (IoT) در توسعه شهر هوشمند مورد استفاده قرار می‌گیرند.

2- افزایش ایمنی جاده: سامانه‌های تشخیص علائم ترافیکی به تشخیص دقیق و سریع علائم راهنمایی و رانندگی می‌پردازند. این تشخیص به کاهش تصادفات و حوادث رانندگی کمک می‌کند.

3- کاهش خطاهای انسانی: انسان‌ها ممکن است در برخی مواقع علائم راهنمایی را اشتباه بخوانند یا نادیده بگیرند. سامانه‌های هوش مصنوعی با تشخیص دقیق علائم به خطاهای انسانی پیشگیری می‌کنند.

4- افزایش بهره‌وری ترافیک: با دقیق‌تر شدن رانندگی و رعایت دقیق قوانین ترافیکی، ترافیک بهره‌وری بیشتری خواهد داشت و زمان رانندگی کاهش می‌یابد.

5- تسهیلات رانندگی خودروهای خودکار: در آینده، اتومبیل‌های خودکار به سیستم‌های تشخیص علائم ترافیکی نیاز دارند تا بهترین تصمیم‌ها را برای رانندگی ایمن اتومبیل‌ها بگیرند.

به طور کلی، سامانه هوش مصنوعی تشخیص علائم ترافیکی به بهبود ایمنی و بهره‌وری در محیط‌های حمل و نقل عمومی و شهر هوشمند کمک می‌کند و به کاهش تصادفات و مشکلات ترافیکی می‌انجامد.

Dataset:

The dataset has been uploaded to Kaggle, and you can download it in the following address:

• https://www.kaggle.com/datasets/barzansaeedpour/traffic-sign-detection

class names:

Label	Persian	English	Image
avalin-pich-be-chap	اولین پیچ به چپ	first curve to the left
avalin-pich-be-rast	اولین پیچ به راست	first curve to the right
dast-andaz	دست انداز	bump
dor-bargardan	دور برگردان	u turn
dor-zadan-mamnoe	دور زدن ممنوع	u turn prohebited
dorbine-sabte-takhalofat	دوربین ثبت تخلفات	speed camera
faghat-obor-az-chap-mojaz	فقط عبور از چپ مجاز	compulsory keep left
faghat-obor-az-rast-mojaz	فقط عبور از راست مجاز	compulsory keep right
gardesh-be-rast-mamnoe	گردش به راست ممنوع	right turn prohebited
gardesh-be-rast-mamnoe	گردش به چپ ممنوع	right turn prohebited
hadeaksar-sorat-mojaz-100	حداکثر سرعت مجاز 100	speed limit 100
hadeaksar-sorat-mojaz-110	حداکثر سرعت مجاز 110	speed limit 110
hadeaksar-sorat-mojaz-40	حداکثر سرعت مجاز 40	speed limit 40
hadeaksar-sorat-mojaz-50	حداکثر سرعت مجاز 50	speed limit 50
hadeaksar-sorat-mojaz-60	حداکثر سرعت مجاز 60	speed limit 60
hadeaksar-sorat-mojaz-80	حداکثر سرعت مجاز 80	speed limit 80
hadeaksar-sorat-mojaz-85	حداکثر سرعت مجاز 85	speed limit 85
hadeaksar-sorat-mojaz-95	حداکثر سرعت مجاز 95	speed limit 95
hedayat-be-chap	هدایت به چپ	guide to left
hedayat-be-rast	هدایت به راست	guide to right
istadan-mamnoe	ایستادن ممنوع	no stopping or standing
khatar	خطر	danger
khatare-rizeshe-sang	خطر ریزش سنگ	falling rocks
obor-az-har-do-samt-mojaz	عبور از هر دو سمت مجاز	either side
obour-haywanate-ahli	عبور حیوانات اهلی	possibility of cattle on road
parking	پارکینگ	parking
pich-be-chap	پیچ به چپ	left turn
pich-be-rast	پیچ به راست	right turn
rayate-haghe-taghadom	رعایت حق تقدم	give way
sebghat-azad	سبقت آزاد	overtaking allowed
sebghat-mamnoe	سبقت ممنوع	no overtaking
taghatoe	تقاطع	intersection
voroud-be-rahe-asli-az-chap	ورود به راه اصلی از چپ	side road left
voroud-be-rahe-asli-az-rast	ورود به راه اصلی از راست	side road right
voroud-be-rahe-asli-az-rast2	ورود به راه اصلی از راست 2	side road right 2
voroud-mamenoe	ورود ممنوع	no entry

How to use it:

Method 1:

1- virtual environment setup (windows):

python version: 3.10.0

    py -3.10 -m venv env

    env\Scripts\activate

2- install requirements

    pip install -r requirements.txt

3- Download and unzip the dataset

• https://www.kaggle.com/datasets/barzansaeedpour/traffic-sign-detection

Notice that you should change the train and validation directory in data_custom.yaml file.

4- Install pytorch CUDA:

• https://pytorch.org/

5- Train yolov8 on the train data:

    yolo task=detect mode=train epochs=100 data=data_custom.yaml model=yolov8m.pt imgsz=300 batch=2

6- Test the trained model

    yolo task=detect mode=predict model=yolov8m_custom.pt show=False conf=0.4 source=val/images/

Method 2:

Open the notebook in colab:

https://colab.research.google.com/github/barzansaeedpour/Traffic-sign-detection-yolov8/blob/main/TSD_YOLOv8.ipynb