Este estudio presenta un sistema de monitoreo de congestión de tráfico basado en software. El sistema de transporte controla el tráfico entre ciudades de todo el mundo. La congestión de tráfico ocurre no solo en las ciudades, sino también en las autopistas y otros lugares. El sistema de transporte actual no es satisfactorio en las áreas sin monitoreo. Para mejorar las limitaciones del sistema de tráfico actual en la obtención de datos viales y ampliar su rango visual, el sistema utiliza datos de teledetección como fuente de datos para juzgar la congestión. Dado que algunos datos de teledetección deben mantenerse confidenciales, este es un problema que debe resolverse para proteger eficazmente la seguridad de los datos de teledetección durante el proceso de entrenamiento de aprendizaje profundo. En comparación con el método general de entrenamiento de aprendizaje profundo, este estudio proporciona un método de aprendizaje federado para identificar objetivos vehiculares en imágenes de teledetección y resolver el problema de la privacidad de los datos en el proceso de entrenamiento de datos de teledetección. El experimento toma los conjuntos de datos de imágenes de teledetección de Los Ángeles y Washington como muestras para el entrenamiento, y los resultados del entrenamiento pueden alcanzar una precisión de aproximadamente el 85%, y el tiempo de procesamiento estimado de cada imagen puede ser tan bajo como 0.047 s. En los resultados experimentales finales, el sistema puede identificar automáticamente los objetivos vehiculares en las imágenes de teledetección para lograr el propósito de detectar la congestión.