В статье приведено сравнение нескольких фреймворков глубокого обучения в формате тестирования в схожих условиях с целью их дальнейшего применения для решения задач в режиме реального времени на различных платформах. Одним из примеров такой задачи является определение дорожных знаков. В исследовании проводится сравнение скорости и точности выходных данных пяти популярных фреймворков глубокого обучения: TensorFlow, Neon, CNTK, MXNet, RyTorch. Для обучения в условиях ограниченных вычислительных ресурсов используются три наиболее популярные модели обучения (ResNet-20, IDSIA и ResNet-32), выбранные из-за высокоточных результатов в режиме реального времени. Именно графические процессоры обычно используются для обучения сверточных нейронных сетей. В статье собраны и проанализированы результаты вычислений с использованием как центральных, так и графических процессоров. Представлены методы оптимизации работы фреймворков, результаты их работы как на центральном, так и на графическом процессоре. Благодаря этому появилась возможность исследовать влияние входных данных на точность получаемого впоследствии результата. Данное исследование дает возможность определить и оптимизировать наиболее подходящий по критериям точности выводимых значений и затрачиваемого для обучения моделей времени фреймворк для распознавания дорожных знаков.