정확하고 정밀한 감지 기능을 제공하여 차량 재식별 솔루션에서 Ultralytics YOLO 모델이 어떤 역할을 할 수 있는지 알아보세요.
정확하고 정밀한 감지 기능을 제공하여 차량 재식별 솔루션에서 Ultralytics YOLO 모델이 어떤 역할을 할 수 있는지 알아보세요.
포뮬러 원 경기를 시청하다 보면 좋아하는 팀의 자동차를 쉽게 발견할 수 있습니다. 페라리의 선명한 빨간색이나 메르세데스의 은색이 매 랩마다 눈에 띕니다.
깨끗한 레이싱 트랙이 아닌 교통량이 많은 복잡한 도시 거리에서 기계에 동일한 작업을 요청하는 것은 훨씬 더 어려운 일입니다. 최근 AI 분야에서 차량 재식별(차량 재ID)이 주목받고 있는 이유도 바로 이 때문입니다.
차량 재식별은 멀티뷰 또는 겹치지 않는 카메라에서 동일한 차량을 인식할 수 있는 기능을 제공합니다. 또한 일시적인 오클루전(차량이 부분적으로 가려진 경우) 또는 조명과 시점이 바뀐 후에도 차량을 식별하는 것을 목표로 합니다.
차량 리아이디를 구동하는 핵심 기술은 컴퓨터 비전입니다. 컴퓨터 비전은 인공지능의 하위 분야로, 기계가 이미지와 비디오와 같은 시각 정보를 이해하고 해석하도록 가르치는 데 중점을 둡니다. 이 기술을 사용하면 AI 시스템이 차량의 특징을 분석하고 대규모 카메라 네트워크에서 안정적으로 track 도시 감시 및 교통 모니터링과 같은 애플리케이션에 활용할 수 있습니다.
특히 다음과 같은 비전 AI 모델은 Ultralytics YOLO11 및 곧 출시될 Ultralytics YOLO26과 같은 비전 AI 모델은 물체 감지 및 추적과 같은 작업을 지원합니다. 이 모델은 각 프레임에서 차량을 빠르게 찾고 장면에서 차량의 움직임을 추적할 수 있습니다. 이러한 모델을 차량 재식별 네트워크와 결합하면 시야나 조명 조건이 바뀌어도 서로 다른 카메라 피드에서 동일한 차량을 인식할 수 있습니다.
이 글에서는 차량 재식별의 작동 방식과 이를 가능하게 하는 기술, 그리고 지능형 교통 시스템에서 차량 재식별이 어디에 사용되고 있는지 살펴봅니다. 시작해 보겠습니다!
차량 재식별은 컴퓨터 비전에서 중요한 응용 분야입니다. 이 기술은 서로 겹치지 않는 여러 대의 카메라에서 동일한 차량을 인식하여 도시를 이동할 때 차량의 정체성을 일관되게 유지하는 데 중점을 둡니다. 각 카메라가 다른 각도, 다른 조명 또는 부분적으로 가려진 상태에서 차량을 촬영할 수 있기 때문에 이 작업은 까다롭습니다.
파란색 세단이 교차로를 통과한 후 다른 카메라가 지켜보는 다른 도로에 나타나는 시나리오를 생각해 보겠습니다. 각도, 조명, 배경이 모두 바뀌었고 다른 차량이 잠시 시야를 가릴 수 있습니다. 그럼에도 불구하고 차량 재식별 시스템은 여전히 동일한 차량인지 확인해야 합니다.
최근 딥러닝, 특히 합성곱 신경망(CNN)과 트랜스포머 기반 모델의 발전으로 이 프로세스가 훨씬 더 정확해졌습니다. 이러한 모델은 의미 있는 시각적 패턴을 추출하고 유사 차량을 구별하는 동시에 올바른 차량을 식별할 수 있습니다.
지능형 교통 시스템에서 이 기능은 지속적인 모니터링, 경로 재구성, 도시 전체의 교통 분석을 지원하여 스마트시티 시스템이 차량의 이동 방식을 보다 명확하게 파악할 수 있도록 합니다. 이를 통해 안전과 효율성을 개선할 수 있습니다.
일반적으로 교차로, 주차 구역 및 고속도로의 비디오 영상은 차량 재식별 기술을 사용하여 분석하여 동일한 차량이 여러 카메라에 걸쳐 나타나는지 여부를 판단합니다. 이 개념은 시스템이 여러 뷰에서 개인을 track 사람 재식별과 유사하지만, 여기서는 사람의 모습 대신 차량별 특징을 분석하는 데 중점을 둡니다.
이 과정에는 시스템이 차량을 detect 시각적 특징을 추출하여 여러 시점에 걸쳐 안정적으로 일치시키는 데 도움이 되도록 설계된 몇 가지 주요 단계가 포함됩니다.
높은 수준에서 시스템은 먼저 각 프레임에서 차량을 감지한 다음 색상, 모양, 질감과 같은 특징을 추출하여 각 차량에 대해 고유한 디지털 표현, 즉 임베딩을 생성합니다. 이러한 임베딩은 객체 추적 및 시공간 검사를 통해 시간 및 여러 카메라에서 비교되어 두 개의 목격이 동일한 차량에 속하는지 여부를 결정합니다.
이 프로세스를 자세히 살펴보세요:
Ultralytics YOLO 모델은 차량 재식별 파이프라인에서 중요한 지원 역할을 합니다. 자체적으로 재식별을 수행하지는 않지만, 재식별 네트워크가 정확한 카메라 간 매칭을 위해 의존하는 빠른 감지 및 안정적인 추적과 같은 다른 필수 기능을 제공합니다.
다음으로, YOLO11 같은 Ultralytics YOLO 모델이 차량 재식별 시스템을 어떻게 향상시킬 수 있는지 자세히 살펴보겠습니다.
모든 차량 재식별 시스템의 기본은 정확한 물체 감지입니다. 부분적으로 가려지거나 교통량이 많거나 조명 조건이 변화하는 바쁜 장면에서도 각 프레임에서 차량을 빠르게 detect 수 있는 YOLO11 같은 Ultralytics YOLO 모델은 이를 위한 훌륭한 옵션입니다.
또한 사용자 지정 학습이 가능하므로 자체 데이터 세트에서 모델을 미세 조정하여 택시, 배달용 밴 또는 차량과 같은 특정 차량 유형을 인식하도록 학습할 수 있습니다. 이는 솔루션에 보다 전문적인 감지가 필요할 때 특히 유용합니다. 깨끗하고 정밀한 바운딩 박스를 제공하는 Ultralytics YOLO 모델은 Re-ID 네트워크에 고품질 입력을 제공함으로써 카메라 전반에서 보다 안정적인 매칭을 가능하게 합니다.
차량이 감지되면 YOLO11 같은 모델은 단일 카메라 뷰 내에서 안정적인 객체 추적도 지원할 수 있습니다. 객체 추적은 감지된 차량을 연속 프레임에 걸쳐 추적하고 이동하는 차량에 일관된 ID를 할당하는 프로세스입니다.
Ultralytics Python 패키지에 내장된 바이트트랙 및 BoT-SORT와 같은 추적 알고리즘을 지원하는 YOLO11 차량이 장면을 이동할 때 일관된 ID를 유지할 수 있습니다. 이러한 안정적인 추적은 Re-ID 시스템이 인계받기 전에 ID 전환을 줄여 궁극적으로 카메라 간 매칭의 정확도를 향상시킵니다.
표준 모션 기반 추적 외에도, Ultralytics Python 패키지에는 BoT-SORT 트래커 내에 선택 사항인 외관 기반 Re-ID 기능이 포함되어 있습니다. 즉, 트래커는 모션 패턴이나 바운딩 박스 중첩뿐만 아니라 시각적 외형 기능을 사용하여 두 개의 감지가 동일한 차량에 속하는지 여부를 판단할 수 있습니다.
BoT-SORT를 활성화하면 디텍터 또는 YOLO11 분류 모델에서 가벼운 외관 임베딩을 추출하여 프레임 간 신원을 확인하는 데 사용합니다. 이 추가 외관 큐는 짧은 가려짐, 차량이 가까이 지나가거나 카메라 움직임으로 인한 작은 변화와 같은 까다로운 상황에서도 트래커가 보다 안정적인 ID를 유지하는 데 도움이 됩니다.
이 기본 제공 Re-ID는 전체 교차 카메라 차량 재식별을 대체하기 위한 것은 아니지만, 단일 카메라 뷰 내에서 신원 일관성을 개선하고 다운스트림 Re-ID 모듈이 신뢰할 수 있는 더 깔끔한 트래클릿을 생성합니다. 이러한 외관 기반 추적 기능을 사용하려면 BoT-SORT 추적기 구성 파일에서 "with_reid"를 "True"로 설정하고 외관 기능을 제공할 모델을 선택하여 Re-ID를 활성화하기만 하면 됩니다.
자세한 내용은 사용 가능한 Re-ID 옵션과 이를 구성하는 방법을 설명하는개체 추적에 대한 Ultralytics 문서 페이지에서 확인할 수 있습니다.
추적 중 신원 안정성을 개선하는 것 외에도, YOLO 모델은 Re-ID 네트워크 자체에 깔끔한 시각적 입력을 준비하는 데 중요한 역할을 합니다.
차량이 감지되면 일반적으로 바운딩 박스가 잘려서 재식별 네트워크로 전송되며, 재식별 네트워크는 매칭에 필요한 시각적 특징을 추출합니다. 재식별 모델은 이러한 잘린 이미지에 크게 의존하기 때문에 흐릿하거나 정렬이 잘못되었거나 불완전한 자르기 등 입력이 잘못되면 임베딩이 약해지고 카메라 간 매칭의 신뢰도가 떨어질 수 있습니다.
Ultralytics YOLO 모델은 관심 차량을 완벽하게 캡처하는 깨끗하고 잘 정렬된 경계 상자를 일관되게 생성하여 이러한 문제를 줄여줍니다. 보다 선명하고 정확한 크롭을 통해 Re-ID 네트워크는 색상, 모양, 질감 및 기타 구별되는 특징과 같은 의미 있는 디테일에 집중할 수 있습니다. 고품질 입력은 카메라 뷰 전반에서 더욱 안정적이고 정확한 Re-ID 성능으로 이어집니다.
Ultralytics YOLO 모델은 자체적으로 재식별을 수행하지는 않지만, 재식별 네트워크가 여러 카메라 뷰에서 차량을 비교하는 데 필요한 중요한 정보를 제공합니다. YOLO11 같은 모델은 각 카메라 내에서 차량을 찾고 추적하는 작업을 처리하는 반면, Re-ID 모델은 서로 다른 위치에서 촬영된 두 차량이 동일한 ID에 속하는지 여부를 판단합니다.
이러한 구성 요소와 감지 및 추적을 위한 YOLO , 특징 추출을 위한 전용 임베딩 모델이 함께 작동하면 완벽한 멀티 카메라 차량 매칭 파이프라인을 형성합니다. 이를 통해 동일한 차량이 더 큰 카메라 네트워크를 통해 이동할 때 이를 연결할 수 있습니다.
예를 들어, 최근 연구에서 연구원들은 온라인 멀티 카메라 추적 시스템의 차량 감지기로 경량 YOLO11 모델을 사용했습니다. 이 연구에서는 YOLO11 사용하면 정확도 저하 없이 감지 시간을 단축하여 다운스트림 추적 및 카메라 간 매칭의 전반적인 성능을 개선하는 데 도움이 된다는 사실을 발견했습니다.
이제 Ultralytics YOLO 모델이 차량 재식별을 지원하는 방법에 대해 더 잘 이해했으니, 특징 추출 및 매칭 단계를 처리하는 딥 러닝 모델을 자세히 살펴보겠습니다. 이러한 모델은 차량의 외관을 학습하고, 강력한 임베딩을 생성하며, 여러 카메라 뷰에서 시각적으로 유사한 차량을 구별하는 역할을 담당합니다.
다음은 객체 재식별 시스템에 사용되는 핵심 딥러닝 구성 요소의 몇 가지 예입니다:
이러한 아키텍처 구성 요소 외에도 메트릭 학습은 차량 Re-ID 모델을 학습하는 데 핵심적인 역할을 합니다. 삼중 손실, 대비 손실, 교차 엔트로피 손실과 같은 손실 함수는 시스템이 동일한 차량의 이미지를 한데 모으는 동시에 다른 이미지를 밀어냄으로써 강력하고 차별적인 임베딩을 학습하는 데 도움이 됩니다.
컴퓨터 비전 연구에서 데이터 세트의 품질은 모델이 배포된 후 얼마나 잘 작동하는지에 큰 영향을 미칩니다. 데이터 세트는 모델이 학습하는 레이블이 지정된 이미지 또는 동영상을 제공합니다.
차량 재식별을 위해 이러한 최첨단 데이터 세트는 조명, 시점 변화, 날씨 변화와 같은 다양한 조건을 캡처해야 합니다. 이러한 다양성은 모델이 실제 교통 환경의 복잡성을 처리하는 데 도움이 됩니다.
차량 재식별 모델의 학습, 최적화, 평가를 지원하는 인기 있는 데이터 세트를 소개합니다:
이러한 데이터 세트의 모델 성능은 일반적으로 평균 평균 정밀도mAP, 순위 1 또는 순위 5 정확도와 같은 메트릭을 사용하여 평가합니다. mAP 모델이 주어진 차량과 관련된 모든 일치 항목을 얼마나 정확하게 검색하는지를 측정하고 순위 1 및 순위 5 점수는 올바른 일치 항목이 결과 목록의 맨 위에 나타나는지 또는 처음 몇 개의 예측 내에 나타나는지를 나타냅니다.
이러한 벤치마크는 연구자들이 다양한 접근 방식을 비교할 수 있는 일관된 방법을 제공하며, 실제 사용을 위해 보다 정확하고 신뢰할 수 있는 차량 재식별 시스템 개발을 안내하는 데 중요한 역할을 합니다.
이제 기본 사항을 살펴보았으니 차량 재식별이 실제 운송, 모빌리티 및 감시 워크플로우를 지원하는 몇 가지 실제 사용 사례를 살펴보겠습니다.
바쁜 도시 도로는 끊임없이 움직이는 차량으로 가득 차 있어 교통 카메라가 같은 차량이 여러 지역을 이동할 때 이를 track 데 어려움을 겪는 경우가 많습니다. 조명의 변화, 혼잡한 장면, 거의 동일하게 보이는 차량으로 인해 여러 대의 카메라에서 식별이 어려울 수 있습니다.
차량 재식별은 저해상도 또는 바쁜 영상에서도 차량을 명확하게 감지하고, 고유한 특징을 추출하며, 일관된 ID를 유지함으로써 이 문제를 해결합니다. 그 결과 네트워크 전반에서 보다 원활하고 지속적인 추적이 가능해져 교통팀은 차량이 도시를 어떻게 이동하는지 보다 명확하게 파악하고 교통 혼잡과 사고에 보다 신속하고 정확한 정보를 바탕으로 대응할 수 있습니다.
스마트 주차 시설은 일관된 차량 식별을 통해 출입, 출입, 출입 통제 및 공간 할당을 관리합니다. 그러나 이러한 환경의 카메라는 지하 주차장, 그늘진 곳, 해질녘 야외 주차장 등 조명이 좋지 않은 곳에서 비정상적인 각도로 차량을 포착하는 경우가 많습니다.
이러한 조건은 동일한 차량이 여러 구역에서 목격되고 있는지 확인하기 어렵게 만듭니다. 신원이 일관되지 않으면 주차 기록이 깨지고 출입 통제의 신뢰성이 떨어지며 운전자에게 지연이 발생할 수 있습니다. 그렇기 때문에 많은 스마트 주차 시스템에는 차량 재식별 모델이 통합되어 있어 시설 내 이동 시 각 차량의 신원을 안정적으로 유지합니다.
교통 모니터링과 더불어 차량 재식별은 법 집행 및 과학 수사에서도 중요한 역할을 합니다. 경찰관이 여러 대의 카메라를 통해 차량을 추적해야 하는 경우가 많은데, 번호판을 읽을 수 없거나 누락되었거나 고의로 가려져 있을 수 있습니다.
혼잡한 장면, 낮은 가시성, 부분적인 가려짐으로 인해 서로 다른 차량이 놀라울 정도로 비슷해 보일 수 있으므로 수동 식별은 느리고 신뢰할 수 없습니다. 차량 재식별은 번호판에만 의존하지 않고 시각적 특징을 분석하여 겹치지 않는 카메라 네트워크에서 차량의 움직임을 추적하는 데 사용할 수 있습니다.
따라서 수사관들은 차량의 움직임을 더 쉽게 추적하고, 차량이 언제 다른 장소에 나타났는지 파악하고, 사건 전후의 경로를 확인할 수 있습니다. AI 기반 차량 재식별 기능은 용의 차량 추적, 사건 영상 검토, 사건 전후 차량의 이동 방향 파악 등의 작업도 지원합니다.
차량 및 물류 운영에서는 차량 이동을 track 위해 GPS, RFID 태그, 수동 로그에 의존하는 경우가 많지만 이러한 도구는 적재장, 창고 야적장, 내부 도로망 등 보안 또는 야적장 카메라가 적용되는 영역에 공백을 남깁니다.
차량이 겹치지 않는 카메라 사이를 자주 이동하거나 구조물 뒤로 사라지거나 차량의 다른 차량과 거의 동일하게 보이기 때문에 동일한 차량이 다른 위치에서 목격되었는지 확인하기가 어렵습니다. 차량 재식별 시스템은 시각적 세부 사항과 타이밍 정보를 분석하여 각 차량이 시설을 통과할 때 일관된 신원을 유지함으로써 이러한 격차를 줄이는 데 도움을 줄 수 있습니다.
이를 통해 차량 관리자는 허브 내 활동을 보다 완벽하게 파악하여 배송 경로 확인, 비정상적인 움직임 식별, 차량이 예상 경로를 따르도록 하는 등의 작업을 지원할 수 있습니다.
AI 기반 차량 재식별 기능을 사용하면 얻을 수 있는 주요 이점은 다음과 같습니다:
차량 재식별은 많은 장점을 제공하지만 고려해야 할 몇 가지 제한 사항도 있습니다. 다음은 실제 환경에서 신뢰성에 영향을 미치는 몇 가지 요소입니다:
차량 재식별은 기술이 발전함에 따라 계속 발전하고 있습니다. IEEE, CVPR, arXiv의 최근 논문과 국제 컨퍼런스에서의 발표에 따르면 여러 데이터 소스와 고급 기능 추론을 결합한 더 풍부한 모델로의 전환이 뚜렷하게 나타나고 있습니다. 이 분야의 향후 연구는 보다 견고하고 효율적이며 대규모의 실제 변동성을 처리할 수 있는 시스템을 구축하는 데 초점을 맞출 것입니다.
예를 들어, 유망한 방향 중 하나는 트랜스포머 기반 모델과 그래프 집계 네트워크를 사용하는 것입니다. 트랜스포머는 전체 이미지를 분석하고 모든 시각적 디테일이 어떻게 조화를 이루는지 파악할 수 있어 각도나 조명이 바뀌어도 시스템이 동일한 차량을 인식하는 데 도움이 됩니다.
그래프 기반 모델은 여기서 한 걸음 더 나아가 다양한 차량 부품이나 카메라 뷰를 네트워크의 연결된 지점으로 취급합니다. 이를 통해 시스템은 이러한 주요 지점 간의 상관관계를 이해하고 차량 식별 및 차별적 특징에 대해 더 나은 결정을 내릴 수 있습니다.
또 다른 주요 발전은 멀티 모달 데이터 융합과 기능 융합입니다. 최신 시스템은 이미지에만 의존하는 대신 시각 정보를 GPS 데이터나 센서의 모션 패턴과 같은 다른 멀티미디어 신호와 결합합니다. 이러한 추가 컨텍스트 덕분에 차량이 부분적으로 가려지거나 조명이 어두울 때, 카메라 각도가 갑자기 바뀔 때 시스템이 더 쉽게 정확성을 유지할 수 있습니다.
차량 재식별은 지능형 교통 시스템의 핵심 방법론으로 자리 잡고 있으며, 도시에서 여러 대의 카메라를 통해 차량을 보다 안정적으로 track 수 있도록 지원합니다. 딥 러닝의 발전과 더욱 풍부하고 다양한 데이터 세트를 사용한 더 나은 검증 덕분에 이러한 시스템은 실제 상황에서 더욱 정확하고 실용적으로 발전하고 있습니다.
기술이 발전함에 따라 개인 정보 보호, 보안, 윤리에 대한 책임감 있는 관행과 혁신의 균형을 맞추는 것이 중요합니다. 전반적으로 이러한 발전은 더 스마트하고 안전하며 효율적인 교통 네트워크를 위한 기반을 마련하고 있습니다.
GitHub 리포지토리를 방문하고 커뮤니티에 가입하여 AI에 대해 자세히 알아보세요. 솔루션 페이지에서 로봇 공학 및 제조 분야의 컴퓨터 비전에서의 AI에 대해 알아보세요. 라이선스 옵션을 살펴보고 지금 바로 Vision A를 시작하세요!
