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.