컴퓨터 비전 프로젝트의 속도 추정을 위한 Ultralytics YOLOv8

우리 모두 속도 제한 도로 표지판을 본 적이 있을 것입니다. 그중 일부는 우편이나 이메일로 자동 속도 제한 위반 통지서를 받아본 적도 있을 수 있습니다. 인공지능(AI) 교통 관리 시스템은 컴퓨터 비전 덕분에 과속 위반을 자동으로 감지할 수 있습니다. 가로등과 고속도로에 설치된 카메라로 촬영한 실시간 영상은 속도 추정에 사용되며 도로 안전을 강화합니다.

속도 추정은 고속도로 안전에만 국한되지 않습니다. 스포츠, 자율주행 차량 및 다양한 기타 애플리케이션에서도 사용할 수 있습니다. 이 글에서는 컴퓨터 비전 프로젝트에서 Ultralytics YOLOv8 모델을 사용해 속도를 추정하는 방법을 살펴봅니다. 직접 시도해 볼 수 있도록 코딩 예제도 단계별로 안내하겠습니다. 시작해 보겠습니다!

속도 추정을 활용하면 교통 관리가 더 쉬워집니다#

세계보건기구(WHO)에 따르면 매년 약 119만 명이 과속으로 인한 도로 교통 사고로 사망합니다. 또한 2,000만~5,000만 명이 비치명적 부상을 입으며, 그중 상당수는 장애로 이어집니다. 속도 추정은 사고를 예방하고 생명을 구하며 도로를 안전하고 효율적으로 유지하는 데 도움이 되므로 교통 안전의 중요성은 아무리 강조해도 지나치지 않습니다.

컴퓨터 비전을 사용한 속도 추정은 비디오 프레임에서 객체를 탐지하고 추적하여 객체가 얼마나 빠르게 움직이는지 계산하는 방식입니다. Ultralytics YOLOv8과 같은 알고리즘은 연속된 프레임에서 차량과 같은 객체를 식별하고 추적할 수 있습니다. 시스템은 보정된 카메라 또는 기준점을 사용해 객체가 이동한 거리를 측정하여 실제 거리를 추정합니다. 객체가 두 지점 사이를 이동하는 데 걸린 시간을 측정하면 거리와 시간의 비율을 사용해 속도를 계산할 수 있습니다.

그림 1. Ultralytics YOLOv8 모델을 사용한 속도 추정.

과속 차량을 단속하는 것 외에도 AI가 통합된 속도 추정 시스템은 교통에 대한 예측을 수행할 데이터를 수집할 수 있습니다. 이러한 예측은 신호 시간과 리소스 할당을 최적화하는 등 교통 관리 작업을 지원할 수 있습니다. 교통 패턴과 혼잡 원인에 대한 인사이트를 활용하면 교통 혼잡을 줄이기 위한 새로운 도로를 계획할 수 있습니다.

다른 산업에서의 속도 추정 활용 사례#

속도 추정의 활용 분야는 도로 모니터링을 넘어섭니다. 운동선수의 경기력을 모니터링하고, 자율주행 차량이 주변에서 움직이는 객체의 속도를 파악하도록 지원하며, 의심스러운 행동을 탐지하는 등 다양한 용도로 활용할 수 있습니다. 카메라를 사용해 객체의 속도를 측정할 수 있는 모든 곳에서 컴퓨터 비전을 사용한 속도 추정을 적용할 수 있습니다.

속도 추정이 사용되는 몇 가지 사례는 다음과 같습니다.

• Tesla의 자율주행 차량은 충돌을 방지하기 위해 비전 기반 속도 추정을 사용합니다.
• 2024년 올림픽에서는 육상 경기의 경기력 분석을 개선하기 위해 컴퓨터 비전과 속도 추정이 사용될 예정입니다.
• 스마트 시티에서는 보행 속도를 모니터링하고 도시 이동성과 안전을 향상하기 위해 보행자 보행 분석을 연구하고 있습니다. 이러한 시스템은 운전자에게 보행자의 존재를 알리고 사고를 예방할 수 있습니다.
• 동물 행동 모니터링 시스템은 속도 추정을 사용해 동물의 움직임을 추적하고 고통이나 질병의 징후를 탐지합니다.

그림 2. 속도 추정은 사람의 보행 속도를 측정할 수 있습니다.

컴퓨터 비전을 사용한 속도 추정의 이점#

비전 기반 속도 추정 시스템은 정확도 향상, 비용 효율성 및 유연성 덕분에 기존의 센서 기반 방식을 대체하고 있습니다. LiDAR와 같은 고가 센서에 의존하는 시스템과 달리 컴퓨터 비전은 표준 카메라를 사용해 속도를 실시간으로 모니터링하고 분석합니다. 속도 추정을 위한 컴퓨터 비전 솔루션은 기존 교통 인프라와 원활하게 통합할 수 있습니다. 또한 이러한 시스템은 차량 유형 식별과 교통 패턴 분석 등 다양한 복잡한 작업을 수행하도록 구축하여 전반적인 교통 흐름과 안전을 개선할 수 있습니다.

직접 해보기: Ultralytics YOLOv8을 사용한 속도 추정#

이제 속도 추정과 그 활용 분야를 명확히 이해했으므로, 코드를 통해 컴퓨터 비전 프로젝트에 속도 추정을 통합하는 방법을 자세히 살펴보겠습니다. Ultralytics YOLOv8 모델을 사용해 움직이는 차량을 탐지하고 속도를 추정해 보겠습니다.

이 예제에서는 인터넷에서 다운로드한 도로 위 차량 영상을 사용합니다. 동일한 영상이나 관련 있는 다른 영상을 사용할 수 있습니다. Ultralytics YOLOv8 모델은 각 차량의 중심점을 식별하고, 이 중심점이 비디오 프레임의 수평선을 얼마나 빠르게 통과하는지를 기준으로 속도를 계산합니다.

시작하기 전에 이 경우 거리 계산은 근사값이며 유클리드 거리를 기반으로 한다는 점에 유의해야 합니다. 카메라 보정은 고려되지 않으므로 속도 추정이 완전히 정확하지 않을 수 있습니다. 또한 추정 속도는 GPU 속도에 따라 달라질 수 있습니다.

1단계: 먼저 Ultralytics 패키지를 설치합니다. 명령 프롬프트나 터미널을 열고 아래에 표시된 명령을 실행합니다.

pip install ultralytics

설치 과정에 대한 단계별 지침과 모범 사례는 Ultralytics 설치 가이드를 참조하세요. YOLOv8에 필요한 패키지를 설치하는 동안 문제가 발생하면 일반적인 문제 가이드에서 해결 방법과 유용한 팁을 확인할 수 있습니다.

2단계: 다음으로 필요한 라이브러리를 가져옵니다. OpenCV 라이브러리는 비디오 처리를 지원합니다.

import cv2
from ultralytics import YOLO, solutions

3단계: 그런 다음 Ultralytics YOLOv8 모델을 로드하고 모델이 탐지할 수 있는 클래스의 이름을 가져옵니다.

model = YOLO("yolov8n.pt")
names = model.model.names

프로젝트에 가장 적합한 모델을 파악하려면 지원되는 모든 모델을 확인하세요.

4단계: 이 단계에서는 OpenCV의 VideoCapture 모듈을 사용해 입력 비디오 파일을 엽니다. 또한 비디오의 너비, 높이 및 초당 프레임 수(fps)를 추출합니다.

cap = cv2.VideoCapture("path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"
w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

5단계: 여기서는 속도 추정의 최종 결과를 저장할 비디오 writer를 초기화합니다. 출력 비디오 파일은 “speed_estimation.avi”로 저장됩니다.

video_writer = cv2.VideoWriter("speed_estimation.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

6단계: 다음으로 속도 추정을 위한 선의 점을 정의합니다. 입력 비디오에서는 이 선을 프레임 중앙에 수평으로 배치합니다. 입력 비디오에 따라 값을 조정하여 선을 가장 적합한 위치에 배치해 보세요.

line_pts = [(0, 360), (1280, 360)]

7단계: 이제 정의한 선의 점과 클래스 이름을 사용해 속도 추정 객체를 초기화합니다.

speed_obj = solutions.SpeedEstimator(
    reg_pts=line_pts,
    names=names,
    view_img=True,
)

8단계: 스크립트의 핵심은 비디오를 프레임 단위로 처리하는 부분입니다. 각 프레임을 읽고 객체를 탐지하고 추적합니다. 추적된 객체의 속도를 추정한 다음 주석이 추가된 프레임을 출력 비디오에 기록합니다.

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        print("Video frame is empty or video processing has been successfully completed.")
        break
    tracks = model.track(im0, persist=True, show=False)
    im0 = speed_obj.estimate_speed(im0, tracks)
    video_writer.write(im0)

9단계: 마지막으로 비디오 캡처 및 writer 객체를 해제하고 열려 있는 OpenCV 창을 닫습니다.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

10단계: 스크립트를 저장합니다. 터미널이나 명령 프롬프트에서 작업하는 경우 다음 명령을 사용해 스크립트를 실행합니다.

python your_script_name.py

비전 기반 속도 추정의 과제#

컴퓨터 비전을 사용해 속도 추정을 구현할 때 발생하는 과제도 이해하는 것이 중요합니다. 비나 안개, 눈과 같은 악천후는 도로의 시야를 가릴 수 있어 시스템에 문제를 일으킬 수 있습니다. 마찬가지로 다른 차량이나 객체로 인해 발생하는 가림 현상은 이러한 시스템이 대상 차량의 속도를 정확하게 추적하고 추정하기 어렵게 만들 수 있습니다. 그림자를 만들거나 태양으로 인한 눈부심을 유발하는 열악한 조명 조건도 속도 추정 작업을 더욱 복잡하게 만들 수 있습니다.

또 다른 과제는 컴퓨팅 성능과 관련이 있습니다. 실시간으로 속도를 추정하려면 고품질 교통 카메라에서 수집되는 많은 시각 데이터를 처리해야 합니다. 이 모든 데이터를 처리하고 지연 없이 신속하게 작동하도록 하려면 솔루션에 고가의 하드웨어가 필요할 수 있습니다.

그다음으로 개인정보 보호 문제가 있습니다. 이러한 시스템이 수집하는 데이터에는 동의 없이 수집된 개인의 차량 제조사, 모델 및 번호판 정보가 포함될 수 있습니다. 일부 최신 HD 카메라는 차량 내부 탑승자의 이미지까지 촬영할 수 있습니다. 이러한 데이터 수집은 최대한 신중하게 처리해야 하는 심각한 윤리적·법적 문제를 야기할 수 있습니다.

미래를 향해 가속하는 속도 추정#

Ultralytics YOLOv8 모델을 사용한 속도 추정은 다양한 용도에 유연하고 효율적인 솔루션을 제공합니다. 열악한 조건에서의 정확도와 개인정보 보호 문제 해결 등 과제가 있지만 장점은 다양합니다. 컴퓨터 비전 기반 속도 추정은 기존 방식보다 비용 효율적이고 유연하며 정확합니다. 교통, 스포츠, 감시 및 자율주행 차량과 같은 다양한 분야에서 유용하게 활용할 수 있습니다. 이러한 모든 이점과 활용 분야를 고려할 때 미래 스마트 시스템의 핵심 요소가 될 것이 분명합니다.

AI에 관심이 있으신가요? 저희 커뮤니티에 참여해 보세요! GitHub 저장소에서 AI를 활용해 의료 및 농업과 같은 다양한 산업에서 혁신적인 솔루션을 만드는 방법을 자세히 알아보세요. 저희와 함께 협업하고 혁신하며 배워 보세요! 🚀