A dolgozat a Debreceni Egyetem Informatikai Karán végzett kutatást ismerteti, amely a kamera szenzor alapú adatfeldolgozásra és mélytanuló algoritmusok alkalmazására összpontosít korlátozott számítási kapacitású eszközökön, autonóm járművekbenesetében. A kutatás során többféle mélytanuló modellt, AlexNet, VGGNet, ResNet50, ResNet101, DenseNet és CNN hálózatokat hasonlítják össze a közlekedési táblák pontos felismerésében. Az adatok előfeldolgozását különböző technikákkal történik, hogy a modellek tanulási hatékonysága javuljon. A mélytanuló modelleket a German Traffic Sign Database-en tanítom fel és ellenőrzöm, amely valós közúti környezetből gyűjtött képeket tartalmaz. A teszteket különböző hardvereken, például Raspberry Pi és Nvidia Jetson Nano eszközökön végzem, amelyek teljesítménye és számítási sebessége jelentősen eltér. A kutatás célja olyan hatékony, könnyen implementálható neurális hálózatok fejlesztése, amelyek az autonóm járművek számára gyors és pontos döntéshozatalt biztosítanak a közúti jelzések felismerése során.