🚦 Traffic Sign Detection and Recognition Web App

Applicazione web per il rilevamento e riconoscimento automatico di segnali stradali utilizzando il modello YOLOv11n e un'interfaccia intuitiva sviluppata con Streamlit.

---

🧠 Modello AI

Il cuore dell'applicazione è un modello YOLOv11-nano personalizzato (best.pt) addestrato su un dataset specializzato per il riconoscimento di segnali stradali. Il modello è ottimizzato per garantire elevata precisione mantenendo prestazioni veloci anche su hardware standard.

Caratteristiche del modello:

• Architettura: YOLOv11-nano
• Formato: PyTorch (.pt)
• Dimensioni compatte per deployment rapido
• Addestramento su dataset dedicato ai segnali stradali

---

📁 Struttura del Progetto

TrafficSignDetectionAndRecognition/
├── 📁 image_test/                            # Immagini di esempio per il testing
├── 📁 Video/
│   └── video.mp4                             # Video dimostrativo
├── 📄 best.pt                                # Modello YOLOv11 addestrato
├── 📄 main.py                                # Applicazione Streamlit principale
├── 📄 requirements.txt                       # Dipendenze Python
├── 📄 .env                                   # Variabili d'ambiente
├── 📓 YOLOv11-nano.ipynb                     # Notebook training e testing
├── 📓 Dataset.ipynb                          # Notebook download dataset
├── 📓 MachineLearningProjectReport.pdf       # Relazione progetto
└── 📄 README.md                              # Documentazione

---

🛠️ Installazione e Setup

Prerequisiti

• Python 3.8+
• pip package manager
• Connessione internet

1. Clonazione del Repository

git clone https://github.com/Ciccio1307/TrafficSignDetectionAndRecognition
cd TrafficSignDetectionAndRecognition

2. Creazione Ambiente Virtuale

# Creazione ambiente virtuale
python -m venv .venv

# Attivazione ambiente
# Linux/Mac:
source .venv/bin/activate
# Windows:
.venv\Scripts\activate

3. Installazione Dipendenze

pip install -r requirements.txt

---

⚙️ Configurazione

File .env

Crea o modifica il file .env nella directory root:

YOLO_MODEL_PATH=best.pt
ROBOFLOW_API_KEY="inserisci_qui_la_tua_api_key_roboflow"

Nota: La chiave API Roboflow è necessaria per alcune funzionalità avanzate. Recuperare la key dalla mail inviata ai docenti del corso.

---

🚀 Avvio dell'Applicazione

Lancio della Web App

streamlit run main.py

L'applicazione sarà disponibile su: http://localhost:8501

Utilizzo dell'Interfaccia

1. Carica un'immagine utilizzando l'uploader
2. Seleziona le immagini di test dalla cartella image_test/
3. Visualizza i risultati con bounding box e classificazioni

---

🎯 Testing e Esempi

Immagini di Test Disponibili

La cartella image_test/ contiene esempi pronti per il testing:

image_test/
├── img1.png
├── img2.png
├── img3.jpg
├── img4.jpg
└── img5.png

Jupyter Notebooks

• YOLOv11-nano.ipynb: Training, validazione e testing del modello
• Dataset.ipynb: Download e preparazione del dataset

---

🎬 Dimostrazione Video

video.mp4

---

💡 Funzionalità Principali

• Rilevamento Real-time: Identificazione rapida di segnali stradali
• Classificazione Multi-classe: Riconoscimento di diverse tipologie di segnali
• Interfaccia User-friendly: Design intuitivo e responsivo
• Visualizzazione Avanzata: Bounding box colorati con confidence score

---

🤝 Contribuzioni

Contributi, segnalazioni di bug e richieste di funzionalità sono benvenute! Per contribuire:

1. Fai un fork del repository
2. Crea un branch per la tua feature
3. Committa le modifiche
4. Pusha sul branch
5. Apri una Pull Request

---

👨‍💻 Autori

• Giulio Pedicone
• Vincenzo Villanova
• Francesco Prospero Antonio Virzì

Progetto realizzato per il corso di Machine Learning 2025
Università degli Studi di Catania

📧 Email: [VRZFNC02L13E536X@studium.unict.it] 🔗 GitHub: @Francesco Prospero Antonio

---

Ultimo aggiornamento: Luglio 2025