Mientras que detectar vehículos individuales en una imagen de video utilizando una red neuronal convolucional (CNN) es común para la vigilancia del tráfico, las CNN también se han adaptado con éxito para contar vehículos a través de un método de regresión, lo que conlleva ventajas al simplificar la estructura del modelo y reducir el tiempo de inferencia en el campo. Este modelo también requiere mucho menos esfuerzo humano para etiquetar imágenes con etiquetas. El número de vehículos en una imagen se convierte en la etiqueta, en lugar de dibujar cuadros delimitadores alrededor de cada vehículo individual. Sin embargo, la tarea de etiquetado lleva mucho tiempo cada vez que se entrena y prueba un modelo de CNN para un nuevo segmento de carretera. Hay dos formas de aliviar el esfuerzo humano involucrado en el uso de este método. Un estudio anterior utilizó un método de pre-entrenamiento con etiqueta pseudo, y otro estudio empleó un método de síntesis de imágenes para resolver el problema. Además de estos dos métodos, investigamos la transferibilidad del modelo para reducir el esfuerzo de etiquetado. Utilizando una CNN que estaba completamente entrenada en imágenes de un segmento de carretera, ideamos una forma robusta de utilizar el modelo entrenado para otro sitio transformando la salida del modelo con una simple ecuación cuadrática. La utilidad del método propuesto se confirmó a expensas de una pequeña cantidad de deterioro en la precisión.