Abstract
В статье представлен подход к распознаванию марки и мо-дели транспортных средств (Vehicle Make and Model Recognition, VMMR) на ос-нове глубокого обучения. С использованием моделей ResNet50, AlexNet, VGG19, MobileNet, EfficientNet, ViT-B/16, ConvNeXt, SimCLR и CLIP рассматриваются проблемы аннотирования наборов данных, дисбаланса классов и качества изобра-жений, получаемых камерами в реальных условиях. Был сформирован и проте-стирован набор данных, содержащий 283 899 изображений транспортных средств; точность на валидационной выборке составила от 0,07 до 0,32. Проанализиро-вано влияние размера транспортного средства, ускорения и радиуса поворота на эффективность распознавания, а также предложены направления оптимизации транспортных систем умного города.