Deep Learning per la Sicurezza Stradale: Riconoscimento di Cartelli con Reti YOLO

Tamagnini, Alex (2025) Deep Learning per la Sicurezza Stradale: Riconoscimento di Cartelli con Reti YOLO. [Laurea], Università di Bologna, Corso di Studio in Ingegneria e scienze informatiche [L-DM270] - Cesena, Documento full-text non disponibile
Il full-text non è disponibile per scelta dell'autore. (Contatta l'autore)

Abstract

Il riconoscimento automatico dei segnali stradali è una delle applicazioni più concrete e rilevanti della visione artificiale nell’ambito della mobilità intelligente. In uno scenario in cui i sistemi avanzati di assistenza alla guida (ADAS) stanno diventando sempre più diffusi nei veicoli moderni, la capacità di interpretare l’ambiente circostante in tempo reale è fondamentale per aumentare la sicurezza, ridurre gli errori umani e supportare lo sviluppo della guida autonoma. La computer vision, combinata con tecniche di deep learning, consente oggi di raggiungere risultati estremamente accurati nel rilevamento e nella classificazione di oggetti visivi, anche in condizioni ambientali complesse. Questo lavoro di tesi consiste nella progettazione e realizzazione di un sistema per la rilevazione di cartelli stradali basato su modelli di object detection della famiglia YOLO (You Only Look Once), in particolare YOLOv5 e YOLOv7. Sono stati selezionati tre dataset annotati open source e sviluppati dodici modelli, addestrati sia da zero sia mediante fine-tuning con pesi pre-addestrati. Il software realizzato integra una GUI interattiva e consente la detection su immagini e video, il confronto tra modelli, la visualizzazione delle metriche di addestramento e un modulo di fine-tuning dinamico. I risultati sperimentali mostrano un chiaro vantaggio delle versioni pre-addestrate, in particolare YOLOv5, che si è dimostrato più stabile e preciso su tutti i dataset, soprattutto in presenza di classi sbilanciate o immagini rumorose. Il sistema è stato progettato per essere estendibile, modulare e compatibile con future evoluzioni, inclusa l’adozione di modelli YOLO più recenti o l’esecuzione su dispositivi embedded per scenari real-time.

Abstract
Tipologia del documento
Tesi di laurea (Laurea)
Autore della tesi
Tamagnini, Alex
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Visione artificiale,YOLO,Object Detection,ADAS,Dataset
Data di discussione della Tesi
17 Luglio 2025
URI

Altri metadati

Gestione del documento: Visualizza il documento

^