Earticle

초록

영어

Accurate detection of traffic signs, including traffic lights, is essential for autonomous driving systems to ensure safe navigation and adherence to traffic regulations. Traffic signs provide crucial information, such as speed limits, stop signals, lane changes, pedestrian crossings, and warning signs, all of which self-driving vehicles must interpret in real-time to make informed driving decisions. Failure to recognize or misinterpret traffic signs can lead to critical safety risks, making robust detection algorithms a fundamental component of autonomous vehicle technology. This research explores the application of the YOLOv8 algorithm, a state-of-the-art deep learning-based object detection model, to improve the recognition and classification of US traffic signs. By integrating the YOLOv8 algorithm with a well-curated Kaggle dataset, this study aims to enhance the precision and efficiency of traffic sign detection. The findings of this research are expected to contribute to the advancement of autonomous vehicle perception, improving their ability to navigate complex road environments safely and effectively. This study not only enhances traffic sign recognition but also provides insights into optimizing deep learning models for real-time deployment in self-driving applications.

한국어

자율주행 시스템에서 신호등을 포함한 교통 표지판의 정확한 탐지는 안전한 주행과 교통 규정을 준수하기 위해 필수 적이다. 교통 표지판은 속도 제한, 정지 신호, 차선 변경, 보행자 횡단 및 경고 표지 등 중요한 정보를 제공하며, 자율주행 차량은 이를 실시간으로 해석하여 올바른 주행 결정을 내려야 한다. 교통 표지판을 인식하지 못하거나 잘못 해석하는 경우 심각한 안전 위험을 초래할 수 있으므로, 강력한 탐지 알고리즘은 자율주행 기술의 핵심 요소로 간주된다. 본 연구는 YOLOv8 알고리즘을 활용하여 미국 교통 표지판의 인식 및 분류 성능을 향상시키는 것을 목표로 한다. 이 데이터셋은 다양 한 조명 조건, 날씨 변화, 가려짐(occlusion), 그리고 다양한 표지판 각도 등을 포함하여, 모델의 성능을 철저히 평가할 수 있도록 구성되어 있다. YOLOv8 알고리즘과 고품질 Kaggle 데이터셋을 결합함으로써, 본 연구는 교통 표지판 탐지의 정밀 도와 효율성을 향상시키는 것을 목표로 한다. 연구 결과는 자율주행 차량의 환경 인식 기술을 발전시키는 데 기여할 것이며, 복잡한 도로 환경에서도 더욱 안전하고 효과적으로 주행할 수 있도록 돕는다. 또한, 본 연구는 교통 표지판 인식 성능을 높이는 것뿐만 아니라, 자율주행 애플리케이션에서 실시간으로 활용 가능한 최적의 딥러닝 모델 개발에 대한 통찰을 제공할 것이다.

목차

Abstract
요약
1. Introduction
2. Related Work
2.1. Early Approaches for Traffic Sign and Signal Detection
2.2. YOLO Algorithm: Strengths and Weaknesses
2.3. Kaggle Dataset for Traffic Sign and Signal Detection
3. Libraries and Hardware Environments for Executing YOLOv8
3.1. Required Libraries and Dependencies
3.2. Hardware Environment
3.3. The differences between previous studies and this study
4. Experimental Results
4.1. Training
4.2. Testing for Torch and TensorRT Result
REFERENCES

키워드

저자

• Sunghyuck Hong [ 홍성혁 | Professor, Division of Advanced IT, IoT major, Baekseok University ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  미래기술융합논문지

• 간기

  격월간

• eISSN

  2951-2468

• 수록기간

  2022~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 530 DDC 620