فهرست نشریات علمی دسترسی آزاد ایران

با افزایش خودروها در سراسر جهان و توسعه فناوری، سیستم‌های حمل‌ونقل هوشمند به‌عنوان یکی از راه‌حل‌های کلیدی برای کنترل ترافیک و افزایش ایمنی راه‌ها مطرح‌شده‌اند. یکی از بخش‌های مهم این سیستم‌ها، تشخیص نوع خودرو است. در این مقاله از ترکیب مدل‌های EfficientNet-B0 و YOLO-V11 جهت تشخیص نوع خودرو استفاده‌شده است. در این مدل، EfficientNet-B0 به‌عنوان ستون فقرات مدل YOLO-V11 به‌کاررفته است. این مدل، ویژگی‌های تصاویر را استخراج کرده و آن‌ها را به مدل YOLO اعمال می‌کند تا مکان و نوع خودرو را به‌طور دقیق تشخیص دهد. برای ارزیابی عملکرد مدل پیشنهادی از مجموعه داده تصویری BVMMR که شامل بیش از 5000 تصویر از انواع خودروهای ایرانی است، استفاده‌شده است. مدل مورداستفاده با زبان برنامه‌نویسی پایتون نوشته‌شده و در محیط کولی (Colab) اجراشده است. نتایج اجرای کدها نشان می‌دهد که مدل پیشنهادی دارای مقدار میانگین دقت در هم‌پوشانی پنجاه‌درصد (mAP50) برابر با 3/99% و میانگین دقت در هم‌پوشانی بیشتر از پنجاه‌درصد (mAP50-95) برابر با 3/98% است. این مدل، ازنظر سرعت پردازش نیز توانسته است با میانگین زمان 2/0 میلی‌ثانیه برای پیش‌پردازش، 8/2 میلی‌ثانیه برای استنتاج و 5/2 میلی‌ثانیه برای پس‌پردازش در هر تصویر، عملکرد مطلوبی را ارائه دهد.