Smart traffic monitoring with YOLOv9 object detection algorithm

Year 2025, Volume: 8 Issue: 1, 53 - 65, 25.03.2025

Recep Bilal Sıkar , Sinem Bozatlı Kartal

https://doi.org/10.51513/jitsa.1527571

Abstract

Rapid advancements in artificial intelligence technology have enabled computer vision to be utilized across a wide range of engineering disciplines. This study examines the practical solutions offered by image processing technology in manual counting applications and the accuracy of advanced algorithms. The applicability and performance of the YOLOv9 algorithm in traffic counts have been evaluated. The research shows that the algorithm operates with high accuracy and minimizes human error. The study involves classification and counting operations for three different types of vehicles. According to the results, cars and trucks are detected with over 95% accuracy, while smaller objects like motorcycles have slightly lower accuracy. The effective use of YOLOv9 in vehicle counting and traffic management applications highlights the importance of object detection technology in intelligent transportation systems. This study demonstrates the potential of this technology to improve efficiency in traffic management, providing guidance for future applications. The key role that advanced algorithms like YOLOv9 can play in the development of intelligent transportation systems is an important topic for future researchers and industry professionals.

Keywords

Artificial intelligence, YOLOv9, smart traffic monitoring, vehicle counting

YOLOv9 nesne tespit algoritması ile akıllı trafik izleme

Abstract

Yapay zeka teknolojilerindeki hızlı ilerlemeler, bilgisayarla görmenin mühendislik bilimlerinde geniş bir yelpazede kullanılmasına olanak tanımaktadır. Bu çalışma, görüntü işleme teknolojisinin manuel sayım işlemlerinde sunduğu pratik çözümler ve gelişmiş algoritmaların doğruluk oranlarını incelemektedir. YOLOv9 algoritmasının trafik sayımlarındaki uygulanabilirliği ve performansı değerlendirilmiştir. Araştırmada, algoritmanın yüksek doğruluk oranlarıyla çalıştığı ve insan hatasını minimize ettiği gösterilmiştir. Çalışmada, üç farklı araç tipi için sınıflandırma ve sayım işlemleri yapılmıştır. Sonuçlara göre, arabalar ve kamyonlar %95'in üzerinde bir doğrulukla tespit edilirken, motosiklet gibi daha küçük nesnelerde bu oran biraz daha düşüktür. YOLOv9'un araç sayımı ve trafik yönetimi uygulamalarındaki etkin kullanımı, nesne tespit teknolojisinin akıllı ulaşım sistemlerindeki önemini vurgulamaktadır. Bu çalışma, bu teknolojinin trafik yönetiminde verimliliği artırma potansiyelini ortaya koyarak gelecekteki uygulamalar için yol gösterici niteliktedir. Akıllı ulaşım sistemlerinin geliştirilmesinde YOLOv9 gibi ileri düzey algoritmaların oynayabileceği kilit rol, gelecekteki araştırmacılar ve sektör profesyonelleri için önemli bir konudur.

Keywords

Yapay zeka, YOLOv9, akıllı trafik izleme, araç sayımı

References

• Albelwi S, Mahmood A. (2017). A Framework for Designing the Architectures of Deep Convolutional Neural Networks. Entropy. doi: 10.3390/e19060242
• Amidi A. ve Amidi S. (2019, Nisan 30). CS230-Derin Öğrenme, Evrişimli Sinir Ağları El Kitabı. Stanford Üniversitesi (A. Kızrak ve Y. Kömeçoğlu Çev.). https://stanford.edu/~shervine/l/tr/teaching/cs-230/cheatsheet-convolutional-neural-networks
• De Paz, J. F., Bajo, J., Rodríguez, S., Villarrubia, G., & Corchado, J. M. (2016). Intelligent system for lighting control in smart cities. Information Sciences, 372, 241-255.
• Du, J. (2018). Understanding of object detection based on CNN family and YOLO. Journal of Physics: Conference Series (Vol. 1004, p. 012029). IOP Publishin”g.
• Gökcan, A. O., Çöteli, R., and Avcı D. (2023). DETECTION AND CLASSIFICATION OF VEHICLES BY USING TRAFFIC VIDEO BASED ON YOLOV8. UMTEB – XIV International Scientific Research Congress, 14–15 September, ss. 530-538.
• Huang, Z., Li, L., Krizek, G. C., & Sun, L. (2023). Research on traffic sign detection based on improved YOLOv8. Journal of Computer and Communications, 11(7), 226-232.
• Kıvrak, O., & Gürbüz, M. Z. (2022). Performance comparison of yolov3, yolov4 and yolov5 algorithms: A case study for poultry recognition. Avrupa Bilim ve Teknoloji Dergisi, (38), 392-397.
• Lin, T.-Y., Maire, M., Belongie, S., Hays, J., Perona, P., Ramanan, D., Dollár, P., & Zitnick, C. L. (2014). Microsoft COCO: Common Objects in Context. European Conference on Computer Vision (ECCV). https://doi.org/10.1007/978-3-319-10602-1_48
• Onar, O., Akkuş, B., and Çavuşoğlu, G. (2023). Düşük Işıklı Görüntüler için Görüntü İyileştirme Algoritmalarının Değerlendirilmesi ve YOLO V3 Kullanılarak Nesne Algılama Üzerindeki Etkisi. 3. ULUSLARARASI AKILLI ULAŞIM SİSTEMLERİ KONFERANSI ITSC’23, 15–17 November.
• Saralıoğlu, E., & Güngör, O. (2022). Yüksek çözünürlüklü uydu görüntülerinden daha hızlı bölge tabanlı derin öğrenme modeli ile bina tespiti. Gümüşhane Üniversitesi Fen Bilimleri Dergisi, 12(2), 550-563.
• Sirphy, S., & Revathi, S. T. (2023). Adaptive Traffic Control System Using YOLO. 2023 International Conference on Computer Communication and Informatics (ICCCI) (pp. 1-5). 23-25 January.
• Terven, J., Córdova-Esparza, D. M., & Romero-González, J. A. (2023). A comprehensive review of yolo architectures in computer vision: From yolov1 to yolov8 and yolo-nas. Machine Learning and Knowledge Extraction, 5(4), 1680-1716.
• Wang, C.-Y., Yeh, I.-H., & Liao, H.-Y. M. (2024). YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information. Retrieved from http://arxiv.org/abs/2402.13616
• Yang, Z. (2022). Intelligent recognition of traffic signs based on improved YOLO v3 algorithm. Mobile Information Systems, 2022(1), 7877032.
• Zhang, J., Huang, M., Jin, X., & Li, X. (2017). A real-time Chinese traffic sign detection algorithm based on modified YOLOv2. Algorithms, 10(4), 127.