Las poblaciones en expansión de las grandes ciudades están causando congestión del tráfico. El mantenimiento de la red vial de la ciudad requiere un monitoreo continuo, crecimiento y modernización. Una solución inteligente de detección de vehículos es necesaria para abordar las preocupaciones de tráfico con el avance de los automóviles automáticos. La identificación y seguimiento de vehículos en carreteras y autopistas son parte del monitoreo inteligente del tráfico mientras se conduce. En este documento, hemos presentado cómo el modelo YOLOv5 (You Only Look Once) puede ser utilizado para identificar autos, semáforos y peatones en diversas condiciones climáticas, permitiendo la identificación en tiempo real en un entorno vehicular típico. En un entorno ordinario o autónomo, la detección de objetos puede verse afectada por condiciones climáticas adversas. El mal tiempo puede hacer que conducir sea peligroso de diversas maneras, ya sea por carreteras congeladas o la ilusión de niebla baja. En este estudio, utilizamos el modelo YOLOv5 para reconocer objetos de grabaciones a nivel de calle para escenarios de lluvia y clima regular en 11 clases distintas de vehículos (auto, camión, bicicleta), peatones y señales de tráfico (roja, verde, amarilla). Utilizamos conjuntos de datos de Roboflow disponibles gratuitamente para entrenar el sistema propuesto. Además, utilizamos secuencias de video reales de tráfico en carretera para evaluar el rendimiento del sistema propuesto. Los resultados del estudio revelaron que el enfoque sugerido podría reconocer autos, camiones y otros elementos en la carretera en diversas circunstancias con resultados aceptables.