Detta examensarbete utforskade utvecklingen av avancerade maskininlärningsmodeller föratt förbättra autonoma transportsystem. Genom att fokusera på identifiering och klassificering av trafikljussignaler, bidrog arbetet till säkerheten och effektiviteten hos självkörandefordon. En granskning av modeller som Single Shot MultiBox Detector (SSD), som objektdetekteringsmodell, InceptionV3 och VGG16, som klassificeringsmodeller, genomfördes,med särskild vikt på deras träning och testningsprocesser.Resultaten, med avseende på valideringsnoggrannhet ’accuracy’ och valideringsförlust(loss), visade att InceptionV3-modellen presterade väl över olika parametrar. Denna modellvisade sig vara robust och anpassningsbar, vilket gjorde den till ett bra val för projektets målom noggrann och pålitlig klassificering av trafikljussignaler.Å andra sidan visade VGG16-modellen varierande resultat. Medan den presterade väl undervissa förutsättningar, visade den sig vara mindre robust vid vissa parametrarinställningar,speciellt vid högre batch-storlekar, vilket ledde till lägre valideringsnoggrannhet och högrevalideringsförlust. / This thesis explored the development of advanced machine learning models to improve autonomous transportation systems. By focusing on the identification and classification of traffic light signals, the work contributes to the safety and efficiency of self-driving vehicles. Areview of models such as the Single Shot MultiBox Detector (SSD), as an object detectionmodel, and InceptionV3 and VGG16, as classification models, was conducted, with particular emphasis on their training and testing processes.The results, in terms of validation accuracy and validation loss, showed that the InceptionV3model performed well across various parameters. This model proved to be robust and adaptable, making it a good choice for the project's goal of accurate and reliable classification oftraffic light signals.On the other hand, the VGG16 model showed varying results. While it performed well undercertain conditions, it proved to be less robust at certain parameter settings, especially at higherbatch sizes, which led to lower validation accuracy and higher validation loss.

A major challenge in training machine learning models is the gathering and labeling of a sufficiently large training data set. A common solution is the use of synthetically generated data set to expand or replace a real data set. This paper examines the performance of a machine learning model trained on synthetic data set versus the same model trained on real data. This approach was applied to the problem of character recognition using a machine learning model that implements convolutional neural networks. A synthetic data set of 1’240’000 images and two real data sets, Char74k and ICDAR 2003, were used. The result was that the model trained on the synthetic data set achieved an accuracy that was about 50% better than the accuracy of the same model trained on the real data set. / Vid utvecklandet av maskininlärningsmodeller kan avsaknaden av ett tillräckligt stort dataset för träning utgöra ett problem. En vanlig lösning är att använda syntetiskt genererad data för att antingen utöka eller helt ersätta ett dataset med verklig data. Denna uppsats undersöker prestationen av en maskininlärningsmodell tränad på syntetisk data jämfört med samma modell tränad på verklig data. Detta applicerades på problemet att använda ett konvolutionärt neuralt nätverk för att tyda tecken i bilder från ”naturliga” miljöer. Ett syntetiskt dataset bestående av 1’240’000 samt två stycken dataset med tecken från bilder, Char74K och ICDAR2003, användes. Resultatet visar att en modell tränad på det syntetiska datasetet presterade ca 50% bättre än samma modell tränad på Char74K.