Penelitian ini berfokus pada pengembangan sistem klasifikasi kendaraan dan deteksi jalur secara real-time berbasis model You Only Look Once versi 9 (YOLOv9) untuk mendukung implementasi teknologi Multi Lane Free Flow (MLFF) di infrastruktur transportasi cerdas. Sistem yang dikembangkan memanfaatkan model YOLOv9 yang telah dilatih secara khusus untuk mendeteksi berbagai jenis kendaraan dalam berbagai kondisi lalu lintas dengan tingkat akurasi pelatihan mencapai 0,92, serta mempertahankan akurasi lebih dari 85% dalam pengujian lapangan. Untuk meningkatkan presisi dalam penghitungan kendaraan per jalur, sistem mengintegrasikan mekanisme Region of Interest (ROI) dan algoritma pelacakan ByteTrack, yang secara efektif menghasilkan akurasi deteksi lebih dari 88%. Keunggulan sistem ini terletak pada kecepatan inferensi tinggi, ketahanan dalam menghadapi kondisi kompleks di lapangan, serta kemampuannya untuk beroperasi secara efisien dalam berbagai konfigurasi lajur kendaraan. Selain itu, sistem dirancang agar dapat terintegrasi dengan perangkat keras eksternal seperti pembaca RFID, memungkinkan sinkronisasi data identitas kendaraan dan jalur secara real-time. Hasil pengujian menunjukkan bahwa sistem yang diusulkan bersifat andal, skalabel, dan siap mendukung pengembangan infrastruktur MLFF secara nasional, dengan potensi signifikan dalam meningkatkan efisiensi dan akuntabilitas sistem pembayaran tol berbasis deteksi otomatis.