Ultralytics YOLO11과 GPT-4o Mini로 ANPR 시스템 구축하기

혼잡한 주차장에서 주차 공간을 찾거나, 긴 통행료 부스 대기 줄에서 기다리거나, 보안 검문소에 갇히는 일은 좌절감을 줍니다. 수동 차량 검사는 종종 시간이 너무 오래 걸리고 지연을 초래합니다. 자동화된 시스템이 없다면 효율적인 차량 추적은 어려울 수 있습니다.

컴퓨터 비전은 이미지 및 비디오 스트림에서 실시간 번호판 인식을 가능하게 함으로써 이를 변화시켰습니다. 예를 들어, Ultralytics YOLO11은 객체 감지, 분류 및 추적과 같은 고급 비전 AI 작업을 수행할 수 있는 첨단 컴퓨터 비전 모델입니다. YOLO11의 객체 감지 기능을 사용하면 이미지 내 차량 번호판을 정확하게 감지할 수 있습니다.

Ultralytics offers comprehensive Google Colab notebooks that simplify the process of building vision AI-powered solutions. These notebooks come pre-configured with essential dependencies, models, and step-by-step guides, making creating applications easier. In particular, there is a dedicated Colab notebook for ANPR (Automatic Number Plate Recognition).

이 기사에서는 Ultralytics ANPR용 Colab 노트북을 사용하여, 번호판 감지를 위해 Ultralytics YOLO11을, 텍스트 인식을 위해 GPT-4o Mini를 활용한 ANPR 솔루션 구축 방법을 살펴보겠습니다.

Link to this sectionANPR 이해하기#

차량을 수동으로 추적하는 것은 시간이 많이 걸리고 오류가 발생하기 쉬우며, 특히 차량이 빠르게 이동할 때는 더욱 그렇습니다. 각 번호판을 하나씩 확인하는 것은 프로세스를 늦추고 실수 위험을 증가시킵니다. 자동 번호판 인식은 컴퓨터 비전을 사용하여 번호판을 즉시 감지하고 읽음으로써 이 문제를 해결하며, 교통 모니터링 및 보안을 더욱 효율적으로 만듭니다.

ANPR 시스템은 통과하는 차량의 이미지나 비디오를 캡처하고 실시간 객체 감지를 사용하여 번호판을 식별할 수 있습니다. 일단 감지되면, 텍스트 인식이 사용되어 사람의 개입 없이 자동으로 번호판 숫자를 추출합니다. 이 프로세스는 차량이 빠르게 움직이거나 번호판이 부분적으로 가려져 있는 경우에도 정확한 결과를 보장합니다.

그림 1. YOLO11을 사용하여 번호판을 감지하는 예시입니다.

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

Link to this sectionANPR 기술 관련 과제#

ANPR은 차량을 빠르게 식별하지만, 정확도에 영향을 줄 수 있는 몇 가지 과제가 여전히 존재합니다. ANPR 시스템 성능에 영향을 미칠 수 있는 몇 가지 일반적인 문제는 다음과 같습니다.

• 저조도 및 악천후: 번호판은 야간이나 악천후 시 읽기가 더 어려워집니다. 안개, 비, 전조등의 눈부심은 텍스트를 흐리게 만들어 판독 불가능하게 만들 수 있습니다.
• 흐릿하거나 가려진 번호판: 빠르게 움직이는 차량은 특히 카메라 셔터 속도가 너무 느리면 흐릿한 이미지를 남길 수 있습니다. 먼지, 긁힘 또는 번호판의 일부가 가려진 경우에도 인식 문제가 발생할 수 있습니다. 올바른 설정으로 고품질 카메라를 사용하면 더 선명한 결과를 얻는 데 도움이 됩니다.
• 일관되지 않은 번호판 디자인: 모든 번호판이 동일하게 생기지는 않았습니다. 일부는 시스템에 혼동을 주는 특이한 폰트, 추가 텍스트 또는 로고를 가지고 있습니다.
• 개인정보 보호 위험 및 데이터 보안: 차량 데이터를 안전하게 저장하는 것이 중요합니다. 적절한 보안 조치를 통해 무단 액세스를 방지하고 정보를 보호할 수 있습니다. 적절한 보호 장치를 갖추면 ANPR 시스템은 안전하고 신뢰할 수 있습니다.

Link to this sectionYOLO11이 ANPR 시스템을 개선하는 방법#

Ultralytics YOLO11은 ANPR 시스템을 더 빠르고 정확하게 만들 수 있습니다. 정밀도를 유지하면서 이미지를 빠르게 처리하며 과도한 컴퓨팅 성능이 필요하지 않으므로 소형 보안 카메라부터 대형 교통 시스템까지 모든 환경에서 잘 작동합니다.

사용자 지정 학습을 통해 YOLO11은 다양한 번호판 스타일, 언어 및 환경에 맞게 조정될 수 있습니다. 또한 이러한 조건의 이미지를 포함하는 전문 데이터셋으로 사용자 지정 학습을 수행하면 저조도, 모션 블러 및 어려운 각도와 같은 까다로운 조건에서도 좋은 성능을 발휘합니다.

차량을 즉시 식별함으로써 YOLO11은 대기 시간을 줄이고, 오류를 방지하며, 보안을 개선하는 데 도움을 줍니다. 이는 주차장, 통행료 부스 및 감시 시스템에서 교통 흐름을 더 원활하게 하고 운영을 더 효율적으로 만듭니다.

Link to this sectionYOLO11 및 GPT-4o Mini로 ANPR 시스템 구축하기#

다음으로, YOLO11 및 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법을 단계별로 살펴보겠습니다.

우리는 이 솔루션을 위해 Ultralytics Google Colab 노트북에서 제공되는 코드를 살펴볼 것입니다. Google Colab 노트북은 사용하기 쉬우며 누구나 복잡한 설정 없이 ANPR 시스템을 만들 수 있습니다.

Link to this section1단계: 환경 설정#

시작하려면 종속성, 즉 ANPR 시스템을 실행하는 데 필요한 필수 소프트웨어 패키지 및 라이브러리를 설치해야 합니다. 이러한 종속성은 객체 감지, 이미지 처리 및 텍스트 인식과 같은 작업을 지원하여 시스템이 효율적으로 작동하도록 보장합니다.

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

그림 2. Ultralytics Python 패키지 설치.

또한 텍스트 인식을 위해 GPT-4o Mini를 설정해야 합니다. GPT-4o Mini는 감지된 번호판에서 텍스트를 추출하는 역할을 하므로, 모델에 액세스하려면 API 키가 필요합니다. 이 키는 GPT-4o Mini API에 가입하여 얻을 수 있습니다. 키를 획득한 후에는 Colab 노트북에 추가하여 시스템이 모델에 연결하고 번호판 번호를 처리할 수 있도록 합니다.

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

Link to this section단계 2: 사용자 지정 학습 모델 다운로드#

모든 설정이 완료되었으므로, 다음 단계는 번호판을 감지하도록 사용자 지정 학습된 YOLO11 모델을 다운로드하는 것입니다. 이 모델은 이미 번호판을 감지하도록 학습되었으므로 처음부터 학습할 필요가 없습니다. 다운로드만 하면 바로 사용할 수 있습니다. 이렇게 하면 시간이 절약되고 프로세스가 훨씬 쉬워집니다.

또한, 시스템을 테스트하기 위해 샘플 비디오 파일을 다운로드할 것입니다. 원한다면 자신의 비디오 파일에서 이 솔루션을 실행할 수도 있습니다. 다운로드가 완료되면 모델과 비디오 파일은 노트북 환경에 저장됩니다.

그림 3. 모델 및 비디오 파일 다운로드.

Link to this section단계 3: 비디오 로드 및 감지 시작#

모델이 준비되면 이제 작동하는 모습을 볼 차례입니다. 먼저, 처리를 위해 비디오 파일을 로드하여 올바르게 열리는지 확인합니다. 그런 다음, 원래 크기와 프레임 속도를 유지하면서 감지된 번호판이 포함된 처리된 영상을 저장하기 위해 비디오 라이터(video writer)를 설정합니다. 마지막으로, 모델을 로드하여 비디오의 각 프레임에서 번호판을 감지합니다.

그림 4. 비디오 읽기 및 모델 로드.

모델이 로드되면 시스템은 번호판을 감지하기 위해 비디오의 각 프레임을 분석하기 시작합니다. 번호판이 발견되면 시스템은 감지 상자로 강조 표시하여 식별하기 쉽게 만듭니다. 이 단계는 불필요한 배경 정보를 걸러내고 관련 세부 정보만 캡처되도록 합니다. 번호판이 성공적으로 감지되었으므로 이제 다음 단계로 넘어갈 준비가 되었습니다.

Link to this section단계 4: 번호판에서 텍스트 추출하기#

번호판을 감지한 후 다음 단계는 텍스트 인식입니다. 시스템은 먼저 비디오 프레임에서 번호판을 크롭(crop)하여 명확한 시야를 위해 방해 요소를 제거합니다. 이는 세부 정보에 집중하게 하여 저조도나 모션 블러와 같은 까다로운 조건에서도 정확도를 향상시킵니다.

번호판이 분리되면 GPT-4o Mini가 이미지를 분석하여 숫자와 문자를 추출하고 읽을 수 있는 텍스트로 변환합니다. 인식된 텍스트는 비디오에 다시 추가되어 실시간으로 감지된 각 번호판에 라벨을 붙입니다.

이 단계를 완료하면 ANPR 시스템은 완벽하게 작동하며 번호판을 쉽게 인식할 준비가 됩니다.

Link to this section단계 5: 처리된 비디오 저장하기#

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

감지된 번호판과 인식된 텍스트가 포함된 각 처리된 프레임은 최종 출력 비디오에 작성됩니다. 모든 프레임이 처리되면 시스템은 읽어오던 비디오 파일을 닫아 메모리와 시스템 리소스를 확보합니다. 또한 출력 비디오를 마무리하고 저장하여 재생하거나 추가 분석을 수행할 수 있게 합니다.

그림 5. ANPR을 위해 YOLO11 및 GPT-4o Mini 사용.

Link to this sectionANPR 시스템 배포하기#

ANPR 솔루션을 구축하고 테스트한 후 다음 단계는 실제 환경에 배포하는 것입니다. 대부분의 비전 AI 모델은 고성능 컴퓨팅에 의존하지만, Ultralytics YOLO11은 엣지 AI에 최적화되어 있습니다. 클라우드 처리나 지속적인 인터넷 연결 없이도 소형 장치에서 효율적으로 실행할 수 있어 자원이 제한된 위치에 훌륭한 선택입니다.

예를 들어, 보안 주거 단지는 엣지 장치에 YOLO11을 배포하여 차량 진입 시 차량을 식별할 수 있으며, 대형 서버가 필요하지 않습니다. 모든 것이 현장에서 실시간으로 처리되어 원활한 액세스, 정체 감소 및 보안 강화를 보장합니다.

그림 6. YOLO11로 번호판 감지.

한편, 안정적인 인터넷 연결이 있는 지역에서는 클라우드 기반 ANPR이 여러 카메라를 동시에 처리할 수 있습니다. 예를 들어, 쇼핑몰에서는 다양한 입구에서 차량을 추적하고 중앙 시스템에 번호판을 저장하여 주차 모니터링, 보안 개선 및 차량 흐름 관리를 원격으로 더 쉽게 수행할 수 있습니다.

Link to this sectionANPR의 향후 전망#

자동 번호판 인식(ANPR) 시스템 구축은 Ultralytics YOLO11을 사용하면 간단합니다. 번호판을 정확하게 감지하며 다양한 환경과 요구 사항에 맞게 사용자 지정 학습될 수 있습니다.

ANPR 시스템은 보안을 강화하고, 주차 관리를 간소화하며, 교통 모니터링을 개선합니다. 번호판 인식을 자동화함으로써 오류를 줄이고, 식별 속도를 높이며, 다양한 애플리케이션 전반에서 차량 추적을 더욱 효율적으로 만듭니다.

저희 커뮤니티에 가입하고 저희 GitHub 저장소를 방문하여 AI가 작동하는 모습을 확인해 보세요. 저희 라이선스 옵션을 살펴보고 솔루션 페이지에서 제조 분야의 비전 AI 및 자율 주행 자동차의 AI에 대해 자세히 알아보세요.