Ein Deep-Learning-Projekt zur Klassifikation deutscher Verkehrsschilder mithilfe von Convolutional Neural Networks (CNNs) auf Basis des GTSRB-Datensatzes.
Dieses Projekt implementiert ein CNN-Modell zur Bildklassifikation mit dem Ziel, deutsche Verkehrsschilder automatisiert zu erkennen. Der verwendete Datensatz ist der German Traffic Sign Recognition Benchmark (GTSRB) – ein standardisierter Datensatz für Forschung im Bereich Computer Vision im Kontext autonomer Fahrzeuge.
train_model.py– Trainingspipeline für das CNN-Modellpredict.py– Vorhersage-Skript für Einzelbilderutils.py– Hilfsfunktionen (z. B. Datenvorverarbeitung)load_data.py– Funktionen zum Laden und Vorverarbeiten des GTSRB-Datensatzesmodel.py– Definition des CNN-Modellsrequirements.txt– Liste benötigter Python-Bibliotheken
- Python ≥ 3.6
- Virtuelle Umgebung empfohlen (z. B.
venvoderconda)
git clone https://github.com/cmuenzin/GTSRB.git
cd GTSRBpip install -r requirements.txtLade den Datensatz von GTSRB Download-Seite herunter und entpacke ihn in das Projektverzeichnis:
GTSRB/
└── Final_Training/
└── Images/
python train_model.py
Optional: Hyperparameter und Pfade können direkt im Skript angepasst werden.
Während des Trainings werden Metriken wie Genauigkeit und Verlust ausgegeben. Zusätzlich können Validierungsdaten verwendet werden, um das Modellverhalten zu überwachen.
python predict.py path_to_image.jpg
Das Skript gibt die erkannte Verkehrsschild-Klasse und den zugehörigen Labelnamen aus.
Das CNN besteht aus mehreren Schichten: Conv2D → ReLU → MaxPooling Dropout zur Regularisierung Dense-Schichten mit Softmax-Ausgabe für Klassifikation in 43 Klassen
Das Modell erreicht auf dem GTSRB-Datensatz eine Genauigkeit von über 95 % (je nach Hyperparameterwahl und Datenaugmentierung).
Integration von Datenaugmentation Export als .onnx oder .tflite für Edge Deployment Live-Feed-Integration mit Webcam / Dashcam Optimierung der Trainingsdauer durch Transfer Learning
GTSRB Dataset: https://benchmark.ini.rub.de/