Ultralytics YOLO11과 GPT-4o Mini로 ANPR 시스템 구축하기

혼잡한 주차장에서 주차 공간을 찾거나, 긴 요금소 대기 줄에서 기다리거나, 보안 검문소에서 정체되는 일은 답답합니다. 수동 차량 검사는 시간이 오래 걸리고 지연을 유발하는 경우가 많습니다. 자동화 시스템이 없으면 차량을 효율적으로 추적하기가 어려울 수 있습니다.

컴퓨터 비전은 이미지와 동영상 스트림에서 번호판을 실시간으로 인식할 수 있게 해 이 상황을 바꾸었습니다. 예를 들어 Ultralytics YOLO11은 객체 감지, 분류, 추적과 같은 비전 AI 작업을 지원하는 컴퓨터 비전 모델입니다. YOLO11의 객체 감지 기능을 사용하면 이미지에서 차량 번호판을 정확하게 감지할 수 있습니다.

Ultralytics는 비전 AI 기반 솔루션을 더 쉽게 구축할 수 있도록 Google Colab 노트북을 제공합니다. 이러한 노트북에는 필수 종속 항목과 모델이 미리 구성되어 있고 단계별 가이드가 포함되어 있어 애플리케이션을 더 쉽게 만들 수 있습니다. 특히 ANPR(자동 번호판 인식) 전용 Colab 노트북도 제공됩니다.

이 문서에서는 ANPR용 Ultralytics Colab 노트북을 사용해 번호판 감지에는 Ultralytics YOLO11을, 텍스트 인식에는 GPT-4o Mini를 활용하는 ANPR 솔루션을 구축하는 방법을 살펴보겠습니다.

ANPR 이해하기#

차량이 빠르게 움직이는 경우 차량을 수동으로 추적하면 시간이 오래 걸리고 오류가 발생하기 쉽습니다. 번호판을 하나씩 확인하면 처리 속도가 느려지고 실수할 위험이 커집니다. 자동 번호판 인식은 컴퓨터 비전을 사용해 번호판을 즉시 감지하고 읽어 이 문제를 해결하며, 교통 모니터링과 보안을 더 효율적으로 수행하도록 합니다.

ANPR 시스템은 지나가는 차량의 이미지나 동영상을 캡처하고 실시간 객체 감지를 사용해 번호판을 식별할 수 있습니다. 번호판이 감지되면 문자 인식을 통해 사람의 개입 없이 번호를 자동으로 추출합니다. 이 과정은 차량이 빠르게 움직이거나 번호판이 일부 가려진 경우에도 정확한 결과를 유지하는 데 도움이 됩니다.

그림 1. Ultralytics YOLO11을 사용해 번호판을 감지하는 예제입니다.

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

ANPR 기술과 관련된 과제#

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

• 저조도 및 악천후: 야간이나 악천후에는 번호판을 읽기가 더 어려워집니다. 안개, 비, 헤드라이트의 눈부심은 글자를 흐리게 해 읽을 수 없게 만들 수 있습니다.
• 흐릿하거나 가려진 번호판: 차량이 빠르게 움직이면 이미지가 흐려질 수 있으며, 특히 카메라 셔터 속도가 너무 느린 경우 그렇습니다. 먼지, 긁힘, 번호판 일부를 가리는 장애물도 인식 문제를 일으킬 수 있습니다. 적절한 설정을 적용한 고품질 카메라를 사용하면 더 선명한 결과를 얻을 수 있습니다.
• 일관되지 않은 번호판 디자인: 번호판의 모양이 모두 같지는 않습니다. 일부 번호판에는 화려한 글꼴, 추가 문구 또는 로고가 있어 시스템이 혼동할 수 있습니다.
• 개인정보 보호 위험 및 데이터 보안: 차량 데이터를 안전하게 저장하는 것이 중요합니다. 적절한 보안 조치를 적용하면 무단 액세스를 방지하고 정보를 보호할 수 있습니다. 적절한 보호 장치를 마련하면 ANPR 시스템을 안전하고 신뢰할 수 있게 운영할 수 있습니다.

Ultralytics YOLO11이 ANPR 시스템을 개선하는 방법#

Ultralytics YOLO11은 ANPR 시스템의 속도와 정확도를 높일 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 양식과 언어, 환경에 맞게 조정할 수 있습니다. Ultralytics Platform의 Car License Plate와 같은 공개 데이터셋을 시작점으로 활용하면 좋습니다. 저조도, 모션 블러, 까다로운 각도 등의 조건이 포함된 특화 데이터셋으로 커스텀 학습하면 이러한 어려운 조건에서도 우수한 성능을 발휘합니다.

Ultralytics YOLO11은 차량을 즉시 식별해 대기 시간을 줄이고 오류를 방지하며 보안을 강화합니다. 이를 통해 주차장, 요금소, 감시 시스템에서 교통 흐름이 원활해지고 운영 효율성이 높아집니다.

Ultralytics YOLO11과 GPT-4o Mini로 ANPR 시스템 구축하기#

다음으로 Ultralytics YOLO11과 GPT-4o Mini를 사용해 ANPR 시스템을 구축하는 방법을 살펴보겠습니다.

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

1단계: 환경 설정#

시작하려면 ANPR 시스템을 실행하는 데 필요한 필수 소프트웨어 패키지와 라이브러리인 종속 항목을 설치해야 합니다. 이러한 종속 항목은 객체 감지, 이미지 처리, 텍스트 인식과 같은 작업을 지원해 시스템이 효율적으로 작동하도록 합니다.

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

그림 2. Ultralytics Python 패키지 설치입니다.

문자 인식을 위해 GPT-4o Mini도 설정해야 합니다. GPT-4o Mini는 감지된 번호판에서 텍스트를 추출하므로 모델에 접근하려면 API 키가 필요합니다. OpenAI 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 번호판의 텍스트를 인식하고 추출하도록 설정됩니다.

2단계: 사용자 지정 학습된 모델 다운로드#

모든 설정이 완료되었으므로 다음 단계는 번호판 감지용으로 사용자 지정 학습된 Ultralytics YOLO11 모델을 다운로드하는 것입니다. 이 모델은 이미 번호판 감지를 학습했으므로 처음부터 다시 학습할 필요가 없습니다. 모델을 다운로드하면 바로 사용할 수 있습니다. 따라서 시간을 절약하고 절차를 훨씬 간편하게 진행할 수 있습니다.

시스템을 테스트하기 위해 샘플 동영상 파일도 다운로드합니다. 원하는 경우 이 솔루션을 직접 보유한 동영상 파일에 적용할 수도 있습니다. 다운로드한 모델과 동영상 파일은 노트북 환경에 저장됩니다.

그림 3. 모델 및 동영상 파일 다운로드입니다.

3단계: 동영상 로드 및 감지 시작#

모델이 준비되면 실제 작동을 확인할 차례입니다. 먼저 처리를 위해 동영상 파일을 로드하고 올바르게 열리는지 확인합니다. 그런 다음 원본 크기와 프레임 속도를 유지하면서 감지된 번호판이 포함된 처리 영상을 저장하도록 비디오 기록기를 설정합니다. 마지막으로 모델을 로드해 동영상의 각 프레임에서 번호판을 감지합니다.

그림 4. 비디오를 읽고 모델을 로드합니다.

모델이 로드되면 시스템은 동영상의 각 프레임을 분석해 번호판을 감지하기 시작합니다. 번호판을 찾으면 바운딩 박스로 표시해 쉽게 식별할 수 있습니다. 이 단계에서는 관련 정보만 캡처하고 불필요한 배경 정보는 걸러냅니다. 번호판 감지가 완료되면 동영상은 다음 단계로 넘어갈 준비가 됩니다.

4단계: 번호판에서 텍스트 추출하기#

번호판을 감지한 다음 단계는 광학 문자 인식(OCR)이라고도 하는 문자 인식입니다. 먼저 시스템은 동영상 프레임에서 번호판을 잘라내어 방해 요소를 제거하고 선명하게 보이도록 합니다. 이렇게 하면 번호판의 세부 정보에 집중할 수 있어 저조도나 모션 블러와 같은 까다로운 조건에서도 정확도가 높아집니다.

번호판을 분리하면 GPT-4o Mini가 이미지를 분석해 숫자와 문자를 추출하고 읽을 수 있는 텍스트로 변환합니다. 인식된 텍스트는 동영상에 다시 추가되어 감지된 각 번호판에 실시간으로 표시됩니다.

이 단계가 완료되면 ANPR 시스템이 완전히 작동하며 번호판을 손쉽게 인식할 준비를 마칩니다.

5단계: 처리된 비디오 저장하기#

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 프레임의 처리가 완료되면 시스템은 읽어 오던 비디오 파일을 닫아 메모리와 시스템 리소스를 확보합니다. 또한 출력 비디오를 마무리하고 저장하여 재생하거나 추가로 분석할 수 있도록 합니다.

그림 5. YOLO11 및 GPT-4o Mini를 사용한 ANPR.

ANPR 시스템 배포하기#

ANPR 솔루션을 구축하고 테스트한 후에는 실제 환경에 배포해야 합니다. 많은 비전 AI 모델은 고성능 컴퓨팅에 의존하지만, Ultralytics YOLO11은 엣지 AI에 최적화되어 있습니다. 클라우드 처리나 상시 인터넷 연결 없이 소형 기기에서 효율적으로 실행할 수 있으므로 리소스가 제한된 장소에 적합합니다.

예를 들어, 게이트가 있는 주거 단지에서는 대형 서버 없이도 차량이 진입할 때 식별하도록 Ultralytics YOLO11을 엣지 디바이스에 배포할 수 있습니다. 모든 처리는 현장에서 실시간으로 이루어져 원활한 출입, 혼잡 감소, 보안 강화를 보장합니다.

그림 6. YOLO11을 사용한 번호판 감지.

한편, 인터넷 연결이 안정적인 지역에서는 클라우드 기반 ANPR로 여러 카메라를 동시에 처리할 수 있습니다. 예를 들어 쇼핑몰에서 여러 출입구를 오가는 차량을 추적하고 번호판 정보를 중앙 시스템에 저장하면 주차 모니터링, 보안 강화, 원격 차량 흐름 관리가 더 쉬워집니다.

ANPR의 미래#

Ultralytics YOLO11을 사용하면 자동 번호판 인식(ANPR) 시스템을 간편하게 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 차량을 더 효율적으로 추적할 수 있습니다.

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