Identifying Traffic Signs Using Artificial Intelligence with Python

Yıl 2025, Cilt: 9 Sayı: 1 , 111 - 119 , 30.06.2025

Hasan Kuşcu , Deniz Ünlü , Mustafa Tümay

https://izlik.org/JA36RS85FG

Öz

In contemporary times, effective recognition and classification of traffic signs play a crucial role in automation
technologies. This article explores a computer vision project implemented using the Python programming language
and the TensorFlow library. The project successfully achieves the recognition of traffic signs with an accuracy rate
exceeding 95%. TensorFlow is a powerful open-source library that provides capabilities for deep learning model
training and recognition. This Python-based project creates a custom neural network model using TensorFlow and
optimizes this model through training data. The training process utilizes an extensive dataset of traffic signs,
continually refining the model for increased classification accuracy. The obtained results demonstrate that, through
effective utilization of TensorFlow, a recognition accuracy exceeding 95% is achieved despite the complexity of
traffic sign patterns. This provides a reliable solution for traffic sign recognition applicable in various domains such
as driver assistance systems, autonomous vehicles, and traffic safety applications. In conclusion, this study presents
a successfully implemented image processing project using the Python programming language and TensorFlow library to achieve high accuracy in the recognition of traffic signs. The results obtained serve as a significant
foundation for future research and applications in this field.

Anahtar Kelimeler

AURUM , phyton , deep learning , traffic sign , artificial intelligence

Kaynakça

• Yavuz, A. (2021). Derin öğrenme algoritmaları ile trafik işaret ve levhalarının tanımlanması (Master's thesis, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü).
• Altuncu, M. A. (2015). Temel görüntü işleme algoritmalarının gerçek zamanlı olarak FPGA ile gerçeklenmesi (Master's thesis, Kocaeli Üniversitesi, Fen Bilimleri Enstitüsü).
• AYTAÇ, Z. İ., İŞERİ, İ., & DANDIL, B. Trafik Hız Sınırlama Levhalarının Nesne Tanıma Modeli ile Sınıflandırılması. Hasçelik, S. (2021). Konvolüsyonel sinir ağı kullanılarak trafik işaretlerini gerçek zamanlı bulma ve tanıma (Master's thesis, Trakya Üniversitesi, Fen Bilimleri Enstitüsü).
• Küçükmanisa, A. (2018). Gömülü platformlar için görüntü işleme temelli gerçek zamanlı şerit tespit ve uyarı yöntemleri.
• ÇETİN, E., & ORTATAŞ, F. (2021). Elektrikli ve Otonom Araçlarda Makine Öğrenmesi Kullanarak Trafik Levhaları Tanıma ve Simülasyon Uygulaması. El-Cezeri, 8(3), 1081-1092.
• Küçük, Ö., Yavşan, E., & Gökçe, B. (2021). Otonom Tabanlı İşaret ve Şerit Tanımak Amacı ile Bir Öğrenme Sisteminin Geliştirilmesi. International Journal of Engineering Research and Development, 13(3), 19-25.
• Yıldız, G., & Dizdaroğlu, B. (2019, November). Traffic sign detection via color and shape-based approach. In 2019 1st International Informatics and Software Engineering Conference (UBMYK) (pp. 1-5). IEEE.
• TÜZÜN, U., ÖZKAHRAMAN, M., & AKSOY, B. (2022). OTONOM ARAÇLAR İÇİN MİKRODENETLEYİCİ TABANLI ÇEVRESEL GÜVENLİK SİSTEMİ TASARIMI. Uluslararası Sürdürülebilir Mühendislik ve Teknoloji Dergisi, 6(2), 39-47.