Real-Time Adaptive Traffic Signal Control with YOLOv10 and Image Processing
Notice bibliographique
Résumé
Traffic lights operating on a fixed schedule are mostly time-consuming; for example, running green signals in the absence of vehicles, leading to a buildup of long queues at red lights. This inefficiency results in congestion in cities, contributes to delays and economic losses and intensifies pollution levels. In this study, a deep learning-based adaptive image processing traffic light control system for real-time dynamic regulation of signals was proposed. Different from typical sensor-based solutions, the proposed method uses established surveillance cameras, enabling cost-efficient deployment and easy installation. A YOLOv10-based detection model identifies and classifies vehicles by type, applying weight factors to effectively estimate traffic demand. A dynamic timing algorithm enables continuous redistribution of green-light durations due to existing unbalances in the flow for any or all intersection phases. A practical microcontroller-based system might be integrated directly into the existing infrastructure. For assessment, the model used data from 12,500 images labelled accordingly and divided into the following: 70% for training, 15% for validation and 15% for testing. The model was assessed in a SUMO-based simulation of a very busy four-way intersection and actual deployment in Baghdad, Iraq. Compared with fixed time control, this adaptive system reduced vehicle wait time by up to 91.7%. Furthermore, results indicate reduced fuel consumption and CO2 emissions, thereby leading to considerable economic and environmental benefits. Overall, the proposed framework represents a practical and scalable implementation for modern traffic management, overlooking possible implementations of enhancements such as prioritisation of emergency vehicles and multi-intersection coordination.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».