مدل دیگر تسلا، تسلا برای تشخیص علائم راهنمایی و رانندگی در هر دو است. مبتنی بر CNN رویکرد در به بالای 99.65٪ رسید، در حالی که یک ساختار درختی چند وجهی چند وظیفه ای را تعبیه کرد. الگوریتم یادگیری در مقایسه با رویکرد مبتنی بر CNN از ادبیات، 0.5 ℎ در آموزش گرفت. که 37 ℎ طول کشید. تسلا P100 PICE در برای آموزش عمیق نامنظم کانولوشنال باقیمانده طولانی استفاده شد. حافظه کوتاه مدت (ICRL) که روند آموزش را 6 برابر تسریع می کند. خط دیگری از تحقیقات از NVIDIA Gefore GTX Titan X برای اجرای الگوریتمهای ML انتخابی خود استفاده کرد. نمایندگی تعمیر کامپیوتر در اصفهان در برای مدل دیگر تسلا، تسلا برای تشخیص علائم راهنمایی و رانندگی در هر دو است. مبتنی بر CNN رویکرد در به بالای 99.65٪ رسید، در حالی که یک ساختار درختی چند وجهی چند وظیفه ای را تعبیه کرد. الگوریتم یادگیری در مقایسه با رویکرد مبتنی بر CNN از ادبیات، 0.5 ℎ در آموزش گرفت. که 37 ℎ طول کشید. تسلا P100 PICE در برای آموزش عمیق نامنظم کانولوشنال باقیمانده طولانی استفاده شد. حافظه کوتاه مدت (ICRL) که روند آموزش را 6 برابر تسریع می کند. خط دیگری از تحقیقات از NVIDIA Gefore GTX Titan X برای اجرای الگوریتمهای ML انتخابی خود استفاده کرد. Titan X در برای تشخیص علائم راهنمایی استفاده شد. در SVM چند کلاسه به نرخ طبقه بندی بالای 99.14 درصد دست یافت. یک شبکه عصبی توجه بازگشتی چند مقیاسی در استفاده شد که در آن زمان پردازش 600 مشاهده شد. نوع دیگری از NN ها، یعنی شبکه کاملاً کانولوشنال در استفاده شد که در آن زمان پردازش کمتر از 150 بدست آمد. Titan X همچنین برای تشخیص اشیا دراستفاده شد. یک CNN جمعآوریشده در [28] برای تشخیص بیدرنگ در سناریوهای رانندگی جادهای پیشنهاد شد، که در آن تصاویر با وضوح بالافریم در ثانیه پردازش میشوند. کار مشابهی در با استفاده از CNN انجام شد، که در آن زمان تأخیر کل در زیر باقی ماند 100 . Titan X همچنین برای تشخیص مدل خودرو در [استفاده شد که در آن یک مدل CNN به دقت آزمون رقابتی 90 درصد دست یافت. Line-CNN در برای تشخیص خط ترافیک معرفی شد، جایی که نرخ 30 فریم در ثانیه به دست آمد. تشخیص علائم راهنمایی استفاده شد. در SVM چند کلاسه به نرخ طبقه بندی بالای نمایندگی تعمیر کامپیوتر در اصفهان درصد دست یافت. یک شبکه عصبی توجه بازگشتی چند مقیاسی در استفاده شد که در آن زمان پردازش 600 مشاهده شد. نوع دیگری از NN ها، یعنی شبکه کاملاً کانولوشنال در استفاده شد که در آن زمان پردازش کمتر از 150 بدست آمد. Titan X همچنین برای تشخیص اشیا دراستفاده شد. یک CNN جمعآوریشده در [28] برای تشخیص بیدرنگ در سناریوهای رانندگی جادهای پیشنهاد شد، که در آن تصاویر با وضوح بالا 1024 × 320 با نرخ 22 فریم در ثانیه پردازش میشوند. کار مشابهی در با استفاده از CNN انجام شد، که در آن زمان تأخیر کل در زیر باقی ماند همچنین برای تشخیص مدل خودرو در [60] استفاده شد که در آن یک مدل CNN به دقت آزمون رقابتی 90 درصد دست یافت. Line-CNN در [49] برای تشخیص خط ترافیک معرفی شد، جایی که نرخ 30 فریم در ثانیه به دست آمد.