انتشارات شهرداری تهران سیاست گذاری پیشرفت شهری 3092-653X 2 3 2025 06 01 Performance Evaluation of the YOLOv8 Model in Traffic Sign Detection for Intelligent Transportation System بررسی عملکرد مدل YOLOv8 در تشخیص علائم ترافیکی برای سامانه‌های حمل‌ونقل هوشمند 277 296 219764 10.22034/judpm.2025.514770.1029 FA ثنا نظری‌نژاد کارشناسی ارشد مهندسی فناوری اطلاعات، گروه فناوری اطلاعات، دانشکدۀ مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران الهام فراهانی استادیار، دانشکدۀ مهندسی کامپیوتر، مؤسسۀ آموزش عالی الکترونیکی ایرانیان، تهران، ایران Journal Article 2025 03 18 The increasing urbanization and vehicle growth strain traditional transportation systems, necessitating data-driven intelligent solutions. This article explores the application of artificial intelligence, specifically computer vision, in urban traffic management. We employed YOLOv8, the latest YOLO model, for traffic sign detection. Its improved architecture offers enhanced speed and accuracy for real-time object detection. Trained and evaluated on the Self-Driving Cars dataset, YOLOv8 demonstrated acceptable performance in traffic sign detection, suggesting its potential for intelligent urban traffic monitoring and improved road safety. However, the study identifies challenges in detecting certain traffic sign classes and proposes future directions, including multimodal models, increased training data diversity, and lightweight hardware implementation. با توجه به رشد روزافزون شهرنشینی و افزایش تعداد وسایل نقلیه، سیستم‌های حمل‌ونقل سنتی دیگر پاسخ‌گوی نیازهای جمعیتی نیستند و استفاده از راهکارهای هوشمند مبتنی بر داده، ضروری به نظر می‌رسد. در این راستا، مقالۀ حاضر به بررسی چگونگی بهره‌گیری از هوش مصنوعی، به‌ویژه بینایی کامپیوتری، در مدیریت ترافیک شهری می‌پردازد. در این پژوهش، از مدل YOLOv8، جدیدترین نسخه از مدل‌های YOLO، برای تشخیص علائم راهنمایی و رانندگی استفاده شده است. این مدل با استفاده از معماری بهبود می‌یابد، سرعت و دقت بیشتری نسبت به نسخه‌های قبلی ارائه می‌دهد و امکان تشخیص اشیا در زمان واقعی را فراهم می‌کند. برای آموزش و ارزیابی مدل، از دیتاست Self-Driving Cars استفاده شده است که شامل تصاویر علائم ترافیکی مختلف است. نتایج ارزیابی مدل نشان می‌دهد YOLOv8 عملکرد قابل قبولی در تشخیص علائم ترافیکی دارد. این مدل می‌تواند به عنوان یک راهکار مؤثر برای نظارت هوشمند بر ترافیک شهری و بهبود ایمنی جاده‌ها مورد استفاده قرار گیرد. با این‌حال، مقاله به چالش‌های موجود در تشخیص برخی از کلاس‌های علائم ترافیکی نیز اشاره دارد و پیشنهادهایی برای بهبود بیشتر مدل و توسعۀ روش‌های مؤثرتر در مدیریت هوشمند ترافیک ارائه می‌دهد. این پیشنهادها شامل استفاده از مدل‌های چندوجهی، افزایش تنوع داده‌های آموزشی و پیاده‌سازی مدل روی سخت‌افزارهای سبک است. https://www.judpm.ir/article_219764_a24ac2512ea5e8678609e2984c4a271f.pdf