Pedestrian red light traffic recognition model based on YOLOv8 algorithm

Abstract

The object of the study is the process recognition of pedestrian red light traffic. The subject of the study are the methods of process recognition of pedestrian red light traffic. The purpose of the paper is to improve the efficiency of real-time pedestrian red light traffic recognition model. The results obtained. The pedestrian red light traffic recognition model based on real-time object detection architecture YOLOv8 was proposed. The architecture and characteristics of YOLOv8 model, including its improved network structure, multi-scale detection ability, and adaptive anchor adjustment were introduced in detail. To demonstrate the efficiency and benefits of applying the YOLOv8 model, its performance was evaluated in various scenarios. Conclusions. Experiments have confirmed the efficiency of the proposed method. The use of the developed method based on the YOLOv8 architecture allowed to increase precision up to 0.935. Overall, the average performance across all categories is 0.851, which means that the model has a relatively high detection accuracy. In addition, model has a high-speed index. Об'єктом дослідження є процес розпізнавання руху пішоходів на червоне світло. Предметом дослідження є методи розпізнавання руху пішоходів на червоне світло. Метою роботи є підвищення ефективності моделі розпізнавання руху пішоходів на червоне світло в режимі реального часу. Отримані результати. Запропоновано модель розпізнавання руху пішоходів на червоне світло на основі архітектури виявлення об’єктів у реальному часі YOLOv8. Детально представлено архітектуру та характеристики моделі YOLOv8, включаючи покращену структуру її мережі, здатність до багато-масштабного виявлення та адаптивного налаштування зв’язку. Ефективність застосування моделі YOLOv8 було оцінено за допомогою різних налаштувань моделі. Висновки. Дослідження підтвердили ефективність запропонованого методу. Використання розробленого методу на основі архітектури YOLOv8 дозволило підвищити влучність до 0,935. Загалом середня продуктивність усіх категорій якості моделі становить 0,851, що означає, що модель має відносно високу точність виявлення. Крім того, модель є більш оперативною у порівнянні з іншими методами.