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

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.