Статья исследует применение методов машинного обучения для распознавания сигналов световых приборов автомобилей с целью использования данных в умных светофорах. Для решения задачи распознавания машин на видео была использована библиотека Keras, и была применена архитектура нейронной сети RetinaNet [1]. Для распознавания состояний фар транспорта была использована архитектура YOLOv8. Процесс сбора данных, аннотации и обучения модели был проведён с использованием платформы Roboflow. В результате работы были получены веса обученной модели, которые позволяют распознавать состояние передних и задних фар различных видов транспорта в различных погодных условиях. Предложена адаптация нейросетевой модели на основе YOLOv8 для решения задачи распознавания сигналов световых приборов светофоров, которая может быть использована как для статического распознавания на фотографиях, так и в режиме реального времени или видео. This paper explores the application of machine learning methods for recognizing automobile light signals to enhance smart traffic light systems. For vehicle detection in video footage, the Keras library was employed along with the RetinaNet neural network architecture [1]. The YOLOv8 architecture was used for identifying the status of vehicle headlights and taillights. Data collection, annotation, and model training were conducted using the Roboflow platform. The research resulted in trained model weights capable of recognizing the state of front and rear lights on various vehicle types under different weather conditions. The paper proposes an adaptation of the YOLOv8-based neural network model for recognizing traffic light signals, which can be utilized for both static recognition in photographs and in real-time or video applications.