تشخیص نوع خودرو به‌ منظور کنترل هوشمند عبور و مرور خودروها توسط یادگیری عمیق

با افزایش خودروها در سراسر جهان و توسعه فناوری، سیستم‌های حمل‌ و نقل هوشمند به ‌عنوان یکی از راه ‌حل ‌های کلیدی برای کنترل ترافیک و افزایش ایمنی راه‌ها مطرح‌شده‌اند. یکی از بخش‌های مهم این سیستم‌ها، تشخیص نوع خودرو است. در این مقاله از ترکیب مدل‌های efficientnet-b0 و yolo-v11 جهت تشخیص نوع خودرو استفاده‌شده است. در این مدل، efficientnet-b0 به‌عنوان ستون فقرات مدل yolo-v11 به‌کاررفته است. این مدل، ویژگی‌های تصاویر را استخراج کرده و آن‌ها را به مدل yolo اعمال می‌کند تا مکان و نوع خودرو را به‌طور دقیق تشخیص دهد. برای ارزیابی عملکرد مدل پیشنهادی از مجموعه داده تصویری bvmmr که شامل بیش از 5000 تصویر از انواع خودروهای ایرانی است، استفاده‌شده است. مدل مورداستفاده با زبان برنامه‌نویسی پایتون نوشته‌شده و در محیط کولی (colab) اجراشده است. نتایج اجرای کدها نشان می‌دهد که مدل پیشنهادی دارای مقدار میانگین دقت در هم‌پوشانی پنجاه‌درصد (map50) برابر با 99.3% و میانگین دقت در هم‌پوشانی بیشتر از پنجاه‌درصد (map50-95) برابر با 98.3% است. این مدل، ازنظر سرعت پردازش نیز توانسته است با میانگین زمان 0.2 میلی‌ثانیه برای پیش‌پردازش، 2.8 میلی‌ثانیه برای استنتاج و 2.5 میلی‌ثانیه برای پس‌پردازش در هر تصویر، عملکرد مطلوبی را ارائه دهد.

vehicle models recognition for intelligent control of vehicle traffic by deep learning

with the increasing number of vehicles worldwide and the advancement of technology, intelligent transportation systems have emerged as a key solution for traffic control and road safety enhancement. one of the crucial components of these systems is vehicle type recognition. in this paper, a combination of efficientnet-b0 and yolo-v11 models is used for vehicle type classification. in this model, efficientnet-b0 serves as the backbone of yolo-v11, extracting image features and feeding them into the yolo model to accurately determine the location and type of vehicles. to evaluate the performance of the proposed model, the bvmmr image dataset—containing over 5,000 of various iranian vehicles—was utilized. the model was implemented using python and executed in the colab online environment. the results demonstrate that the proposed model achieves a mean average precision at 50% iou (map50) of 99.3% and a mean average precision across iou thresholds from 50% to 95% (map50-95) of 98.3%. additionally, in terms of processing speed, the model delivers an efficient performance with an images average preprocessing time of 0.2 milliseconds, inference time of 2.8 milliseconds, and post-processing time of 2.5 milliseconds per image.