В статье представлена задача распознавания основных объектов дорожной инфраструктуры (дорожный знак, дорожная разметка, светофоры). Для ее решения предлагается использовать адаптивные энергоэффективные модели, позволяющие распознавать дорожные объекты с учетом динамично меняющихся условий. Предложена уникальная база изображений дорожных сцен, на котором изображены объекты дорожной инфраструктуры. Метод обучения и тестирования адаптивной энергоэффективной модели распознавания объектов дорожной инфраструктуры включает в себя последовательные этапы: сбор исходных данных в виде изображений дорожных сцен распознаваемых объектов (дорожные знаки, дорожная разметка, светофоры); разметка исходных изображений; построение архитектуры модели; выбор инструментальных средств для моделирования; обучение и тестирование модели; оценка адекватности модели с использованием матрицы ошибок и метрик классификации. Разметка данных произведена ручным способом с применением инструмента LabelImg. Из исходных изображений дорожных сцен сформированы обучающая, валидационная и тестовая выборки. Для обучения и тестирования адаптивной энергоэффективной модели выбраны инструментальные средства: язык программирования Python, интерактивная облачная среда Google Colaboratory, библиотека Ultralytics. Проведено обучение существующих модификаций моделей: YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x. Время обучения моделей составила примерно 1,5 часа. Проводится оценка адекватности адаптивных энергоэффективных моделей с использованием матрицы ошибок и метрик классификации (Precision, Recall, F1-score, mAP). В перспективе целесообразно расширение классов (временные знаки, оградительные ленты, дорожные барьеры, дорожные конусы), использование адаптивных энергоэффективных моделей в мобильном приложении или планшетах для распознавания перечисленных объектов при проведении ремонтных работ в режиме реального времени.