Detekce dopravních značek ve videosekvencích

Abstract

Tato bakalářská práce se zabývá detekcí dopravního značení v~České republice pomocí konvolučních neuronových sítí, konkrétně architektur YOLO a Faster R-CNN. Pro účely trénování byla vytvořena umělá datová sada CATSD, obsahující české dopravní značky, a výsledky modelů byly porovnány s~výkony dosaženými na veřejně dostupné datové sadě Mapillary, která obsahuje značky z~různých zemí. Při testování modelů napříč oběma datovými sadami se ukázalo, že modely obecně vykazují nižší přesnost mimo prostředí, na kterém byly natrénovány. Zároveň se však prokázalo, že modely trénované na vytvořené datové sadě CATSD dosahují v~českém prostředí výrazně lepších výsledků než modely trénované na datové sadě Mapillary, a mohly by tak najít praktické uplatnění.

This bachelor’s thesis focuses on the detection of traffic signs in the Czech Republic using convolutional neural networks, specifically the YOLO and Faster R-CNN architectures. For training purposes, a custom artificial dataset called CATSD was created, consisting of Czech traffic signs, and its performance was compared to the publicly available Mapillary dataset which consists of traffics signs from different countries. Testing the models across both datasets revealed a general trend of lower performance when evaluated on datasets different from those they were trained on. However, the models trained on the custom CATSD dataset achieved significantly better results in the Czech environment compared to those trained on the Mapillary dataset, suggesting their potential for practical applications.