Ultralytics YOLO11과 GPT-4o Mini로 ANPR 시스템 구축하기

혼잡한 주차장에서 주차 공간을 찾거나, 긴 요금소 대기 행렬에서 기다리거나, 보안 검문소에서 발이 묶이는 일은 답답합니다. 수동 차량 검사는 시간이 오래 걸리고 지연을 초래하는 경우가 많습니다. 자동화된 시스템이 없으면 차량을 효율적으로 추적하기가 어려울 수 있습니다.

컴퓨터 비전은 이미지와 비디오 스트림에서 실시간 번호판 인식을 가능하게 하여 이러한 문제를 해결했습니다. 예를 들어 Ultralytics YOLO11은 객체 감지, 분류, 추적과 같은 고급 비전 AI 작업을 수행할 수 있는 첨단 컴퓨터 비전 모델입니다. YOLO11의 객체 감지 기능을 사용하면 이미지에서 차량 번호판을 정확하게 감지할 수 있습니다.

Ultralytics는 비전 AI 기반 솔루션 구축 과정을 간소화하는 포괄적인 Google Colab 노트북을 제공합니다. 이러한 노트북에는 필수 종속성, 모델, 단계별 가이드가 사전 구성되어 있어 애플리케이션을 더 쉽게 만들 수 있습니다. 특히 자동 번호판 인식(ANPR)을 위한 전용 Colab 노트북이 제공됩니다.

이 글에서는 ANPR용 Ultralytics Colab 노트북을 사용하여, 번호판 감지에는 Ultralytics YOLO11을 사용하고 텍스트 인식에는 GPT-4o Mini를 사용하는 ANPR 솔루션을 구축하는 방법을 살펴봅니다.

ANPR 이해하기#

차량을 수동으로 추적하는 일은 시간이 오래 걸리고 오류가 발생하기 쉬우며, 특히 차량이 빠르게 이동할 때 더욱 그렇습니다. 각 번호판을 하나씩 확인하면 프로세스가 느려지고 실수할 위험이 커집니다. 자동 번호판 인식은 컴퓨터 비전을 사용하여 번호판을 즉시 감지하고 읽음으로써 이 문제를 해결하며, 교통 모니터링과 보안을 더욱 효율적으로 만듭니다.

ANPR 시스템은 지나가는 차량의 이미지 또는 비디오를 캡처하고 실시간 객체 감지를 사용하여 번호판을 식별할 수 있습니다. 번호판이 감지되면 사람의 개입 없이 텍스트 인식을 통해 번호판 번호를 자동으로 추출합니다. 이 프로세스를 사용하면 차량이 빠르게 이동하거나 번호판이 일부 가려진 경우에도 정확한 결과를 얻을 수 있습니다.

그림 1. Ultralytics YOLO11을 사용하여 번호판을 감지하는 예시입니다.

오늘날 요금소, 주차 시스템, 법 집행 기관은 차량을 효율적으로 추적하기 위해 ANPR에 점점 더 의존하고 있습니다.

ANPR 기술과 관련된 과제#

ANPR은 차량을 빠르게 식별하지만 정확도에 영향을 줄 수 있는 몇 가지 과제가 여전히 존재합니다. 다음은 ANPR 시스템의 성능에 영향을 줄 수 있는 몇 가지 일반적인 문제입니다.

• 어두운 환경과 악천후: 밤이나 악천후에는 번호판을 읽기가 더 어려워집니다. 안개, 비, 전조등의 눈부심으로 인해 텍스트가 흐려져 읽을 수 없게 될 수 있습니다.
• 흐릿하거나 가려진 번호판: 빠르게 이동하는 차량은 흐릿한 이미지를 남길 수 있으며, 특히 카메라의 셔터 속도가 너무 느린 경우 더욱 그렇습니다. 먼지, 긁힘 또는 번호판 일부가 가려진 경우에도 인식 문제가 발생할 수 있습니다. 적절한 설정의 고품질 카메라를 사용하면 더 선명한 결과를 얻는 데 도움이 됩니다.
• 일관되지 않은 번호판 디자인: 모든 번호판이 같은 형태는 아닙니다. 일부 번호판에는 장식적인 글꼴, 추가 텍스트 또는 시스템을 혼동시키는 로고가 있습니다.
• 개인정보 보호 위험과 데이터 보안: 차량 데이터를 안전하게 저장하는 것은 중요합니다. 적절한 보안 조치를 통해 무단 액세스를 방지하고 정보를 보호할 수 있습니다. 적절한 보호 장치를 적용하면 ANPR 시스템을 안전하고 신뢰할 수 있게 운영할 수 있습니다.

Ultralytics YOLO11이 ANPR 시스템을 개선하는 방법#

Ultralytics YOLO11은 ANPR 시스템을 더 빠르고 정확하게 만들 수 있습니다. 정밀도를 유지하면서 이미지를 빠르게 처리하고 높은 컴퓨팅 성능을 요구하지 않으므로, 소형 보안 카메라부터 대규모 교통 시스템까지 다양한 환경에서 효과적으로 작동합니다.

커스텀 학습을 통해 Ultralytics YOLO11을 다양한 번호판 스타일, 언어 및 환경에 맞게 조정할 수 있습니다. 이러한 조건의 이미지가 포함된 특수 데이터셋으로 커스텀 학습하면 어두운 환경, 모션 블러, 까다로운 각도와 같은 어려운 조건에서도 우수한 성능을 발휘합니다.

Ultralytics YOLO11은 차량을 즉시 식별하여 대기 시간을 줄이고 오류를 방지하며 보안을 강화하는 데 도움을 줍니다. 이를 통해 주차장, 요금소 및 감시 시스템에서 교통 흐름이 원활해지고 운영 효율성이 향상됩니다.

Ultralytics YOLO11 및 GPT-4o Mini로 ANPR 시스템 구축하기#

이제 Ultralytics YOLO11 및 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법을 단계별로 살펴보겠습니다.

이 솔루션을 위한 Ultralytics Google Colab 노트북에 소개된 코드를 살펴보겠습니다. Google Colab 노트북은 사용하기 쉬우며 복잡한 설정 없이 누구나 ANPR 시스템을 만들 수 있습니다.

1단계: 환경 설정#

시작하려면 ANPR 시스템을 실행하는 데 필요한 필수 소프트웨어 패키지와 라이브러리인 종속성을 설치해야 합니다. 이러한 종속성은 객체 감지, 이미지 처리, 텍스트 인식과 같은 작업을 지원하여 시스템이 효율적으로 작동하도록 합니다.

아래와 같이 Ultralytics Python 패키지를 설치합니다. 이 패키지는 사전 학습된 모델, 학습 유틸리티, 추론 도구를 제공하여 YOLO11로 번호판을 더 쉽게 감지하고 인식할 수 있도록 합니다.

그림 2. Ultralytics Python 패키지 설치.

텍스트 인식을 위해 GPT-4o Mini도 설정해야 합니다. GPT-4o Mini가 감지된 번호판에서 텍스트를 추출하므로 모델에 액세스하려면 API 키가 필요합니다. GPT-4o Mini API에 가입하면 이 키를 받을 수 있습니다. 키를 받으면 Colab 노트북에 추가하여 시스템이 모델에 연결하고 번호판 번호를 처리하도록 할 수 있습니다.

설정을 완료하고 설치 코드를 실행하면 Ultralytics YOLO11은 번호판을 감지할 준비가 되고, GPT-4o Mini는 번호판에서 텍스트를 인식하고 추출하도록 설정됩니다.

2단계: 커스텀 학습된 모델 다운로드#

모든 설정이 완료되었으므로 다음 단계는 번호판을 감지하도록 커스텀 학습된 Ultralytics YOLO11 모델을 다운로드하는 것입니다. 이 모델은 이미 번호판 감지 학습이 완료되었으므로 처음부터 학습할 필요가 없습니다. 모델을 다운로드하기만 하면 바로 사용할 수 있습니다. 따라서 시간을 절약하고 프로세스를 훨씬 간편하게 진행할 수 있습니다.

또한 시스템을 테스트할 샘플 비디오 파일을 다운로드합니다. 원한다면 자체 비디오 파일에서 이 솔루션을 실행할 수도 있습니다. 다운로드가 완료되면 모델과 비디오 파일은 노트북 환경에 저장됩니다.

그림 3. 모델 및 비디오 파일 다운로드.

3단계: 비디오 로드 및 감지 시작#

모델이 준비되면 실제로 작동하는 모습을 확인할 차례입니다. 먼저 처리할 비디오 파일을 로드하여 올바르게 열리는지 확인합니다. 그런 다음 원본 크기와 프레임 속도를 유지하면서 감지된 번호판이 포함된 처리된 영상을 저장하도록 비디오 writer를 설정합니다. 마지막으로 비디오의 각 프레임에서 번호판을 감지하도록 모델을 로드합니다.

그림 4. 비디오 읽기 및 모델 로드.

모델이 로드되면 시스템은 비디오의 각 프레임을 분석하여 번호판을 감지하기 시작합니다. 번호판이 발견되면 시스템이 감지 상자로 강조 표시하므로 쉽게 식별할 수 있습니다. 이 단계에서는 관련 세부 정보만 캡처하고 불필요한 배경 정보는 필터링합니다. 번호판 감지가 완료되면 비디오는 다음 단계로 넘어갈 준비가 됩니다.

4단계: 번호판에서 텍스트 추출#

번호판을 감지한 후 다음 단계는 텍스트 인식입니다. 먼저 시스템이 비디오 프레임에서 번호판을 잘라내 방해 요소를 제거하고 선명하게 확인할 수 있도록 합니다. 이를 통해 세부 정보에 집중할 수 있어 어두운 환경이나 모션 블러와 같은 까다로운 조건에서도 정확도가 향상됩니다.

번호판을 분리하면 GPT-4o Mini가 이미지를 분석하고 숫자와 문자를 추출하여 읽을 수 있는 텍스트로 변환합니다. 그런 다음 인식된 텍스트를 비디오에 다시 추가하여 감지된 각 번호판에 실시간으로 라벨을 표시합니다.

이 단계를 완료하면 ANPR 시스템이 완전히 작동하며 번호판을 손쉽게 인식할 준비가 됩니다.

5단계: 처리된 비디오 저장#

마지막 단계에서는 처리된 비디오를 저장하고 임시 파일을 정리하여 모든 작업이 원활하게 실행되도록 합니다.

감지된 번호판과 인식된 텍스트가 포함된 각 처리 프레임을 최종 출력 비디오에 기록합니다. 모든 프레임이 처리되면 시스템은 읽고 있던 비디오 파일을 닫아 메모리와 시스템 리소스를 확보합니다. 또한 출력 비디오를 마무리하고 저장하여 재생하거나 추가로 분석할 수 있도록 합니다.

그림 5. ANPR에 YOLO11 및 GPT-4o Mini 사용.

ANPR 시스템 배포#

ANPR 솔루션을 구축하고 테스트한 후 다음 단계는 실제 환경에 배포하는 것입니다. 대부분의 비전 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 장소에 적합합니다.

예를 들어, 게이트가 있는 주거 단지는 대형 서버 없이도 엣지 디바이스에 Ultralytics YOLO11을 배포하여 진입하는 차량을 식별할 수 있습니다. 모든 처리는 현장에서 실시간으로 이루어지므로 원활한 출입, 혼잡 감소, 보안 강화를 실현할 수 있습니다.

그림 6. YOLO11로 번호판 감지.

한편 인터넷 연결이 안정적인 지역에서는 클라우드 기반 ANPR이 여러 카메라를 동시에 처리할 수 있습니다. 예를 들어 쇼핑몰에서는 여러 출입구의 차량을 추적하고 번호판 번호를 중앙 시스템에 저장하여 주차 모니터링, 보안 강화, 원격 차량 흐름 관리가 더욱 쉬워집니다.

ANPR의 미래#

Ultralytics YOLO11을 사용하면 자동 번호판 인식(ANPR) 시스템을 간단하게 구축할 수 있습니다. 번호판을 정확하게 감지하며 다양한 환경과 요구 사항에 맞게 커스텀 학습할 수 있습니다.

ANPR 시스템은 보안을 강화하고 주차 관리를 간소화하며 교통 모니터링을 개선합니다. 번호판 인식을 자동화하면 오류를 줄이고 식별 속도를 높이며 다양한 애플리케이션에서 차량 추적을 더욱 효율적으로 수행할 수 있습니다.

커뮤니티에 참여하고 GitHub 리포지토리를 방문하여 AI가 실제로 작동하는 모습을 확인해 보세요. 라이선스 옵션을 살펴보고 솔루션 페이지에서 제조 분야의 비전 AI와 자율주행 자동차의 AI에 대해 자세히 알아보세요.