Para hacer frente a la riqueza en la variación de apariencia visual encontrada en datos del mundo real, proponemos sintetizar datos de entrenamiento que capturen estas diferencias para el reconocimiento de señales de tráfico. El uso de datos de entrenamiento sintéticos, creados a partir de plantillas de señales de tráfico, permite superar los problemas de las bases de datos existentes de reconocimiento de señales de tráfico, que solo están sujetas a conjuntos específicos de señales de tráfico encontradas explícitamente en países o regiones. Este enfoque se utiliza para generar una base de datos de imágenes sintetizadas que representan señales de tráfico bajo diferentes condiciones de vista y luz, y rotaciones, con el fin de simular la complejidad de escenarios del mundo real. Con nuestros datos sintetizados y una red neuronal convolucional (CNN) robusta de extremo a extremo, proponemos un sistema de reconocimiento de señales de tráfico basado en datos que puede lograr no solo una alta precisión de reconocimiento, sino también una alta eficiencia computacional tanto en los procesos de entrenamiento como de reconocimiento.