실시간 정확도로 번호판 감지를 위한 Ultralytics YOLO11과 텍스트 인식을 위한 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법에 대해 알아보세요.
YOLO Vision 2025를 놓치지 마세요!
2025년 9월 25일
10:00 — 18:00 BST
하이브리드 이벤트
실시간 정확도로 번호판 감지를 위한 Ultralytics YOLO11과 텍스트 인식을 위한 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법에 대해 알아보세요.
혼잡한 주차장에서 주차 공간을 찾거나, 긴 통행료 부스 줄에서 기다리거나, 보안 검색대에서 갇히는 것은 답답한 일입니다. 수동 차량 검사는 종종 너무 오래 걸리고 지연을 유발합니다. 자동화된 시스템이 없으면 차량을 효율적으로 추적하기 어려울 수 있습니다.
컴퓨터 비전은 이미지와 비디오 스트림에서 실시간으로 차량 번호판을 인식할 수 있게 함으로써 이를 변화시켰습니다. 예를 들어, Ultralytics YOLO11은 객체 감지, 분류 및 추적과 같은 고급 Vision AI 작업을 수행할 수 있는 고급 컴퓨터 비전 모델입니다. YOLO11의 객체 감지 기능을 사용하면 이미지에서 차량 번호판을 정확하게 감지할 수 있습니다.
Ultralytics는 Vision AI 기반 솔루션 구축 과정을 간소화하는 포괄적인 Google Colab 노트북을 제공합니다. 이러한 노트북은 필수 종속성, 모델 및 단계별 가이드와 함께 사전 구성되어 있어 애플리케이션을 더 쉽게 만들 수 있습니다. 특히 ANPR(Automatic Number Plate Recognition)을 위한 Colab 노트북이 별도로 제공됩니다.
이번 글에서는 ANPR을 위한 Ultralytics Colab 노트북을 사용하여 Ultralytics YOLO11을 통해 차량 번호판을 탐지하고 GPT-4o Mini를 통해 텍스트를 인식하는 ANPR 솔루션을 구축하는 방법을 살펴보겠습니다.
차량을 수동으로 추적하는 것은 시간이 많이 걸리고 오류가 발생하기 쉽습니다. 특히 차량이 빠르게 움직일 때는 더욱 그렇습니다. 각 번호판을 하나씩 확인하면 프로세스 속도가 느려지고 실수 위험이 증가합니다. 자동 번호판 인식은 컴퓨터 비전을 사용하여 번호판을 즉시 감지하고 읽어 교통 모니터링 및 보안을 보다 효율적으로 만들어 이 문제를 해결합니다.
ANPR 시스템은 통과하는 차량의 이미지나 비디오를 캡처하고 실시간 객체 감지를 사용하여 번호판을 식별할 수 있습니다. 감지되면 텍스트 인식을 사용하여 사람의 개입 없이 자동으로 번호판 번호를 추출합니다. 이 프로세스는 차량이 빠르게 움직이거나 번호판이 부분적으로 가려진 경우에도 정확한 결과를 보장합니다.
오늘날 통행료 징수소, 주차 시스템 및 법 집행 기관은 차량을 효율적으로 추적하기 위해 ANPR에 점점 더 의존하고 있습니다.
ANPR은 차량을 신속하게 식별하지만, 정확도에 영향을 미칠 수 있는 몇 가지 과제가 여전히 있습니다. ANPR 시스템의 작동 방식에 영향을 미칠 수 있는 몇 가지 일반적인 문제는 다음과 같습니다.
Ultralytics YOLO11은 ANPR 시스템을 더 빠르고 정확하게 만들 수 있습니다. 정밀도를 유지하면서 이미지를 빠르게 처리하고 과도한 컴퓨팅 성능을 필요로 하지 않으므로 소형 보안 카메라에서 대규모 교통 시스템에 이르기까지 모든 곳에서 잘 작동합니다.
사용자 정의 학습을 통해 YOLO11은 다양한 번호판 스타일, 언어 및 환경에 맞게 조정할 수 있습니다. 또한 이러한 조건의 이미지를 포함하는 특수 데이터 세트에서 사용자 정의 학습을 할 경우 저조도, 모션 블러 및 어려운 각도와 같은 까다로운 조건에서도 성능이 뛰어납니다.
YOLO11은 차량을 즉시 식별하여 대기 시간을 줄이고, 오류를 방지하며, 보안을 개선합니다. 이를 통해 주차장, 통행료 징수소 및 감시 시스템에서 교통 흐름을 원활하게 하고 운영 효율성을 높일 수 있습니다.
다음으로, YOLO11과 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법을 살펴보겠습니다.
본 솔루션에서는 Ultralytics Google Colab 노트북에 제시된 코드를 살펴볼 것입니다. Google Colab 노트북은 사용하기 쉬우며 복잡한 설정 없이도 누구나 ANPR 시스템을 만들 수 있습니다.
시작하려면 ANPR 시스템을 실행하는 데 필요한 필수 소프트웨어 패키지 및 라이브러리인 종속성을 설치해야 합니다. 이러한 종속성은 객체 감지, 이미지 처리 및 텍스트 인식과 같은 작업을 지원하여 시스템이 효율적으로 작동하도록 합니다.
아래와 같이 Ultralytics Python 패키지를 설치합니다. 이 패키지는 사전 훈련된 모델, 훈련 유틸리티 및 추론 도구를 제공하여 YOLO11을 통해 번호판을 더 쉽게 감지하고 인식할 수 있도록 합니다.
텍스트 인식을 위해 GPT-4o Mini도 설정해야 합니다. GPT-4o Mini는 탐지된 번호판에서 텍스트를 추출하는 역할을 하므로 모델에 액세스하려면 API 키가 필요합니다. 이 키는 GPT-4o Mini API에 가입하여 얻을 수 있습니다. 키를 얻은 후 Colab 노트북에 추가하면 시스템이 모델에 연결하여 번호판 번호를 처리할 수 있습니다.
설정을 완료하고 설치 코드를 실행하면 YOLO11이 번호판을 감지할 준비가 되고 GPT-4o Mini가 번호판에서 텍스트를 인식하고 추출하도록 설정됩니다.
이제 모든 설정이 완료되었으므로 다음 단계는 번호판을 감지하도록 맞춤형으로 훈련된 YOLO11 모델을 다운로드하는 것입니다. 이 모델은 이미 번호판을 감지하도록 훈련되었으므로 처음부터 훈련할 필요가 없습니다. 다운로드하기만 하면 바로 사용할 수 있습니다. 이렇게 하면 시간을 절약하고 프로세스가 훨씬 쉬워집니다.
또한 시스템을 테스트하기 위해 샘플 비디오 파일을 다운로드합니다. 원하는 경우 자신의 비디오 파일에서도 이 솔루션을 실행할 수 있습니다. 다운로드되면 모델 및 비디오 파일이 노트북 환경에 저장됩니다.
모델이 준비되면 실제로 작동하는 모습을 볼 차례입니다. 먼저 처리할 비디오 파일을 로드하여 제대로 열리는지 확인합니다. 그런 다음 원본 크기와 프레임 속도를 유지하면서 감지된 번호판이 있는 처리된 영상을 저장하도록 비디오 라이터를 설정합니다. 마지막으로 모델을 로드하여 비디오의 각 프레임에서 번호판을 감지합니다.
모델이 로드되면 시스템은 비디오의 각 프레임을 분석하여 번호판을 감지하기 시작합니다. 번호판이 발견되면 시스템은 감지 상자로 강조 표시하여 쉽게 식별할 수 있도록 합니다. 이 단계를 통해 불필요한 배경 정보를 필터링하여 관련 세부 정보만 캡처되도록 합니다. 번호판이 성공적으로 감지되면 비디오는 이제 다음 단계를 수행할 준비가 되었습니다.
번호판을 감지한 후 다음 단계는 텍스트 인식입니다. 시스템은 먼저 비디오 프레임에서 번호판을 잘라내어 명확한 보기를 위해 방해 요소를 제거합니다. 이는 저조도 또는 모션 블러와 같은 까다로운 조건에서도 정확도를 향상시키는 데 도움이 됩니다.
번호판이 분리되면 GPT-4o Mini가 이미지를 분석하고 숫자와 문자를 추출하여 읽을 수 있는 텍스트로 변환합니다. 그런 다음 인식된 텍스트가 비디오에 다시 추가되어 실시간으로 감지된 각 번호판에 레이블을 지정합니다.
이러한 단계를 완료하면 ANPR 시스템이 완전히 작동하고 번호판을 쉽게 인식할 수 있습니다.
마지막 단계에서는 처리된 비디오를 저장하고 임시 파일을 정리하여 모든 것이 원활하게 실행되도록 합니다.
감지된 번호판과 인식된 텍스트가 포함된 각 처리된 프레임은 최종 출력 비디오에 기록됩니다. 모든 프레임이 처리되면 시스템은 읽고 있던 비디오 파일을 닫아 메모리 및 시스템 리소스를 확보합니다. 또한 출력 비디오를 완료하고 저장하여 재생 또는 추가 분석을 위해 준비합니다.
ANPR 솔루션을 구축하고 테스트한 후 다음 단계는 실제 환경에 배포하는 것입니다. 대부분의 Vision AI 모델은 고성능 컴퓨팅에 의존하지만 Ultralytics YOLO11은 Edge AI에 최적화되어 있습니다. 클라우드 처리나 지속적인 인터넷 연결 없이도 소형 장치에서 효율적으로 실행할 수 있으므로 리소스가 제한된 위치에 적합합니다.
예를 들어, 폐쇄형 커뮤니티는 엣지 장치에 YOLO11을 배포하여 차량이 들어올 때 식별하여 대형 서버의 필요성을 없앨 수 있습니다. 모든 것이 현장에서 실시간으로 처리되어 원활한 액세스, 혼잡 감소 및 향상된 보안을 보장합니다.
한편, 안정적인 인터넷 연결이 가능한 지역에서는 클라우드 기반 ANPR이 여러 대의 카메라를 동시에 처리할 수 있습니다. 예를 들어 쇼핑몰에서는 여러 출입구에서 차량을 추적하고 중앙 시스템에 번호판을 저장하여 주차를 모니터링하고 보안을 개선하며 원격으로 차량 흐름을 관리하기가 더 쉽습니다.
Ultralytics YOLOv8을 사용하면 자동 번호판 인식(ANPR) 시스템을 간단하게 설정할 수 있습니다. 번호판을 정확하게 감지하고 다양한 환경 및 요구 사항에 맞게 사용자 정의 훈련을 할 수 있습니다.
ANPR 시스템은 보안을 강화하고 주차 관리를 간소화하며 교통 모니터링을 개선합니다. 번호판 인식을 자동화함으로써 오류를 줄이고 식별 속도를 높이며 다양한 애플리케이션에서 차량 추적을 보다 효율적으로 만듭니다.
커뮤니티에 가입하고 GitHub 리포지토리를 방문하여 AI가 실제로 작동하는 것을 확인하세요. 라이선스 옵션을 살펴보고 솔루션 페이지에서 제조 분야의 Vision AI와 자율 주행 자동차의 AI에 대해 자세히 알아보세요.
