Napjainkban nagy igény van az adat alapú szolgáltatásokra. A fejlett algoritmusoknak, hardvereknek és a jelentős mennyiségű adatnak köszönhetően a mélytanulás alapú megoldások egyre jobbak. Az önvezető autók elterjedésében is nagy szerepe van a mélytanulásnak. Felkell ismerniük az úton lévő gyalogosokat, a közlekedési táblákat és egyéb objektumokat. Szakdolgozatomban a mélytanulás technológiai hátterét mutatom be. Betekintést nyújtok egy közlekedési táblák osztályozására alkalmas konvolúciós neurális hálózat betanításába. Megemlítem az objektum detektálásra alkalmas algoritmusokat. Ismertetem a betanításhoz szükséges műveleteket és a hozzájuk kapcsolódó elméleti hátteret. Bemutatom a tanításhoz szükséges adatok előkészítését, az adathalmaz felosztását, a konvolúciós neurális hálózat felépítését, rétegeit. A tanítás során fellépő problémákat és az azok megoldására használt módszereket is prezentálom. Egy objektum detektálásra alkalmas, Yolov5 algoritmus betanításának menetét is szemléltetem, mivel ez egy konvolúciós neurális hálózat alapú algoritmus. Az objektum detektáló algoritmus tanításához szükséges adatgyűjtést és a gyűjtött adatok annotálását is bemutatom. A közlekedési táblák detektálására alkalmas modellt videókon is teszteltem. A Yolov5 algoritmus az önvezető járművek szempontjából jelentős, mivel szerényebb képességű célhardveren is képes a valós idejű detektálásra.