SignVisionGTSRB

Verkehrszeichenerkennung mit CNN (GTSRB-Datensatz)

Dieses Projekt implementiert ein Convolutional Neural Network (CNN) zur Erkennung deutscher Verkehrsschilder basierend auf dem **German Traffic Sign Recognition Benchmark (GTSRB).
Es enthält ein ausführbares Notebook sowie Anleitungen für Colab, Binder, GitHub Codespaces und die lokale Nutzung – inkl. klarer Schritte zum Download der GTSRB-Daten (Kaggle API).

Beispiel-Ausgaben

Für eine komplette Übersicht, wie das Notebook ausgeführt wird und welche Ergebnisse (Accuracy, Confusion Matrix, Plots etc.) entstehen, siehe:

➡️ Colab-Run mit Outputs

Features

• Datenimport aus GTSRB (Kaggle) – CSV/Ordner-Struktur
• Daten-Pipeline inkl. Normalisierung & (optional) Augmentierung
• CNN-Modell (Keras/TensorFlow)
• Training mit Validation, Checkpoints & EarlyStopping
• Auswertung (Accuracy, Confusion Matrix, Beispiel-Vorhersagen)
• Speichern/Laden trainierter Modelle (.keras)
• Notebook (direkt ausführbar)
• Python-Variante (vorbereitet, optional in src/ erweiterbar)
• Beispielausgaben als PDF: docs/SignVisionGTSRB_Colab_Outputs.pdf

---

Schnell testen – im Browser

▶️ Mit Google Colab testen

• Benötigt einen Google-Account.
• Läuft sofort im Browser, optional mit GPU/TPU (kostenlos, limitiert).
• Keine lokale Installation nötig.

▶️ Mit Binder testen

• Kein Login erforderlich.
• Start kann 1–2 Minuten dauern (Umgebung wird gebaut).
• Änderungen gehen nach der Session verloren.

▶️ Mit GitHub Codespaces testen

• In GitHub: Code → Open with Codespaces.
• Benötigt GitHub-Account.
• Vollwertige Cloud-IDE (VS Code im Browser), Freikontingent zeitlich limitiert.

---

Notebook & Beispielausgaben

• Notebook: SignVisionGTSRB.ipynb (Repo-Root)
• Beispiel-Outputs (Accuracy, Confusion Matrix, Plots):
  docs/SignVisionGTSRB_Colab_Outputs.pdf

---

GTSRB-Daten beziehen (Kaggle)

Du hast zwei Wege: (A) Colab + Kaggle API (empfohlen) oder (B) Download über Website & lokal ablegen.

A) Kaggle API in Google Colab (empfohlen)

1. Kaggle-API-Token erzeugen

   • Bei Kaggle einloggen → Profil-Icon → Account → Bereich API → Create New API Token
   • Es wird eine Datei kaggle.json heruntergeladen.

2. kaggle.json in Colab hochladen & konfigurieren

   from google.colab import files
   files.upload()  # wähle deine kaggle.json

   mkdir -p ~/.kaggle
   cp kaggle.json ~/.kaggle/
   chmod 600 ~/.kaggle/kaggle.json

3. GTSRB-Dataset per API laden & entpacken

   kaggle datasets download -d meowmeowmeowmeowmeow/gtsrb-german-traffic-sign
   unzip -q gtsrb-german-traffic-sign.zip -d ./data

   Danach liegt der Datensatz unter ./data/ (z. B. data/Train, data/Test, data/Meta).

Wichtig: Die Inhalte der kaggle.json dürfen nicht ins Repo. Nutze .gitignore (siehe unten).

B) Download über die Website (lokal)

1. Öffne: https://www.kaggle.com/datasets/meowmeowmeowmeowmeow/gtsrb-german-traffic-sign
2. Mit Kaggle-Account einloggen → Download.
3. ZIP lokal entpacken und den Inhalt in deinen Projektordner data/ legen (nicht ins Repo pushen).

---

Projekt lokal ausführen

Voraussetzungen

• Python 3.10+
• Virtuelle Umgebung empfohlen

Installation

git clone https://github.com/danutmatinca/SignVisionGTSRB.git
cd SignVisionGTSRB
python -m venv .venv
# Linux/macOS:
source .venv/bin/activate
# Windows:
# .venv\Scripts\activate

pip install -r requirements.txt

Notebook lokal starten

jupyter notebook SignVisionGTSRB.ipynb

Stelle sicher, dass der Datensatz im Ordner ./data/ liegt (siehe oben).

---

Python-Variante ohne Notebook

Falls du die Python-CLI nutzen möchtest (später erweiterbar, z. B. in src/):

• Training (Beispiel)

  python src/train.py --data-root ./data --epochs 15 --batch-size 64

  Ergebnisse/Modelle landen in models/.

• Inferenz (Einzelbild)

  python src/infer.py --image ./testbild.png --model models/latest.keras

  Ausgabe: Klasse + Wahrscheinlichkeit.

Hinweis: Die Dateien src/data.py, src/model.py, src/train.py, src/infer.py sind als Struktur vorgesehen und können schrittweise befüllt/erweitert werden.

---

Repository-Struktur (Empfehlung)

SignVisionGTSRB/
├─ SignVisionGTSRB.ipynb        # Notebook (Root)
├─ docs/
│   └─ SignVisionGTSRB_Colab_Outputs.pdf
├─ data/                        # GTSRB-Daten (nicht committen)
│   └─ .gitkeep
├─ models/                      # Trainierte Modelle (nicht committen)
│   └─ .gitkeep
├─ src/                         # (optional) Python-Variante/Module
│   ├─ data.py
│   ├─ model.py
│   ├─ train.py
│   └─ infer.py
├─ requirements.txt
├─ .gitignore
├─ LICENSE
├─ THIRD_PARTY_LICENSES.md
└─ README.md

.gitignore (wichtig) sollte u. a. enthalten:

# Secrets/Umgebungen
.env
kaggle.json

# Jupyter
.ipynb_checkpoints/

# Daten/Modelle
data/
models/
outputs/

# Python/Cache
__pycache__/
*.py[cod]
*.egg-info/

# OS/IDE
.DS_Store
Thumbs.db
.idea/
.vscode/

---

Sicherheit & gute Praxis

• API-Keys/kaggle.json niemals committen.
• Notebook-Ausgaben vor dem Commit prüfen (keine Geheimnisse anzeigen).
• Für reproduzierbare Runs: requirements.txt aktuell halten.

---

Datenquelle & Lizenzen

• GTSRB Dataset – German Traffic Sign Recognition Benchmark
  https://benchmark.ini.rub.de/gtsrb_news.html
  (Kaggle-Mirror: meowmeowmeowmeowmeow/gtsrb-german-traffic-sign)

• Lizenz dieses Projekts: siehe LICENSE (MIT)

• Drittanbieter-Lizenzen: siehe THIRD_PARTY_LICENSES.md

---

*Viel Erfolg und viel Spaß beim Trainieren & Testen!