자동 번호판 인식을 위한 Ultralytics YOLO11 사용하기

As AI adoption increases, innovations that depend on Automatic Number Plate Recognition (ANPR) are becoming more common. ANPR systems use computer vision to automatically read vehicle license plates and identify and track them. Recently, advancements in AI have made it possible to rapidly integrate such systems into our daily lives. In fact, you may have seen ANPR systems at toll booths or during police checks for speeding vehicles.

번호판 인식의 중요성은 날로 커지고 있으며, 글로벌 ANPR 시스템 시장은 2027년까지 48억 달러 규모에 이를 것으로 예상됩니다. 이러한 성장의 한 요인은 ANPR이 교통 관리 및 보안과 같은 애플리케이션에 제공하는 이점 때문입니다.

To get the best results from ANPR applications, it's important to understand the AI techniques behind these solutions. For example, object detection, a computer vision task, is essential for recognizing and tracking vehicles accurately, and this is where computer vision models like Ultralytics YOLO11 come in. In this article, we will look at how ANPR works and how YOLO11, in particular, can improve ANPR solutions.

그림 1. ANPR을 위해 Ultralytics YOLO 모델 사용하기.

Link to this section차량 번호판 자동 인식의 작동 원리#

번호판 자동 인식(ANPR)은 차량 번호판을 빠르고 정확하게 식별하기 위해 몇 가지 중요한 단계를 거칩니다. 이 단계들이 어떻게 상호 작용하여 효율적인 프로세스를 만드는지 살펴보겠습니다.

• 이미지 캡처: 먼저 카메라를 사용하여 차량 이미지를 캡처합니다. 이러한 카메라는 톨게이트와 같은 고정된 위치에 설치하거나, 이동성을 위해 경찰 차량에 장착할 수 있습니다.
• Number Plate Detection: Then, object detection models like YOLO11 are used to find the license plate in the image.
• 광학 문자 인식(OCR): 다음으로 OCR을 사용하여 번호판에 있는 문자(이미지 내)를 읽고, 이를 기계가 읽을 수 있는 텍스트로 변환합니다.
• 데이터베이스 조회: 텍스트 데이터를 데이터베이스와 대조하여 번호판 정보를 확인합니다.

그림 2. Ultralytics YOLO 모델을 사용한 번호판 탐지 예시.

ANPR 시스템은 종종 열악한 조명, 다양한 번호판 디자인, 까다로운 환경 조건과 같은 문제에 직면할 수 있습니다. YOLO11은 이러한 조건에서도 탐지 정확도와 속도를 높여 문제를 해결하는 데 도움을 줍니다. YOLO11과 같은 모델을 사용하면 ANPR의 신뢰성이 향상되어 주야간이나 악천후 상황에서도 실시간으로 번호판을 쉽게 식별할 수 있습니다. 다음 섹션에서는 이러한 개선 사항을 달성하기 위해 어떻게 YOLO11을 사용할 수 있는지 자세히 알아보겠습니다.

Link to this sectionYOLO11이 ANPR 시스템을 향상시키는 방법#

Ultralytics YOLO11은 Ultralytics의 연례 하이브리드 이벤트인 YOLO Vision 2024 (YV24)에서 처음 공개되었습니다. 실시간 애플리케이션을 지원하는 객체 탐지 모델인 YOLO11은 ANPR 시스템과 같은 혁신을 개선하는 데 훌륭한 옵션입니다. 또한 YOLO11은 엣지 AI 애플리케이션에도 적합합니다. 이를 통해 YOLO11이 통합된 ANPR 솔루션은 네트워크 연결이 불안정할 때도 효과적으로 작동할 수 있습니다. 결과적으로, ANPR 시스템은 원격지나 연결이 제한된 지역에서도 원활하게 성능을 발휘할 수 있습니다.

YOLO11 also brings efficiency improvements compared to its predecessors. For instance, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset with 22% fewer parameters compared to YOLOv8m. With YOLO11, ANPR systems can handle various challenges like changing lighting conditions, diverse plate designs, and moving vehicles better, resulting in more reliable and effective license plate recognition.

그림 3. 이전 버전과 Ultralytics YOLO11 비교.

If you are wondering how you can use YOLO11 in your ANPR project, it's very straightforward. The variations of YOLO11 models that support object detection have been pre-trained on the COCO dataset. These models can detect 80 different types of objects, such as cars, bicycles, and animals. While license plates are not part of the pre-trained labels, users can easily custom-train YOLO11 to detect license plates using the Ultralytics Python package or the no-code Ultralytics HUB platform. Users have the flexibility to create or use a dedicated license plate dataset to make their custom-trained YOLO11 model perfect for ANPR.

Link to this sectionYOLO11과 통합된 ANPR 시스템의 애플리케이션#

다음으로 ANPR과 YOLO11을 함께 사용하여 효율성과 정확도를 높일 수 있는 다양한 애플리케이션을 살펴보겠습니다.

Link to this section교통 및 법 집행을 위한 실시간 번호판 탐지#

교차로와 고속도로를 오가는 차량들로 붐비는 도시에서 교통 경찰은 정체를 관리하고, 교통 위반을 감시하며, 공공 안전을 보장해야 합니다. YOLO11과 통합된 ANPR은 이러한 노력에 큰 변화를 가져올 수 있습니다. 차량 번호판을 즉시 인식함으로써 당국은 교통 흐름을 감시하고, 교통 법규를 집행하며, 위반 차량을 신속하게 식별할 수 있습니다. 예를 들어, 과속 차량을 쉽게 단속할 수 있습니다.

그림 4. ANPR과 YOLO11을 사용한 과속 차량 탐지 및 식별.

전반적으로 YOLO11을 탑재한 ANPR은 수동으로 해야 했던 작업을 자동화할 수 있습니다. 신호 위반 차량을 탐지하고 톨게이트 운영을 관리할 수 있습니다. 이러한 작업의 자동화는 시스템 효율성을 높일 뿐만 아니라 교통 경찰의 업무 부하를 줄여 더 중요한 업무에 집중할 수 있게 합니다.

법 집행 분야에서 YOLO11과 ANPR은 도난 차량을 추적하고 의심스러운 활동으로 신고된 차량을 식별하기 위해 함께 작동할 수 있습니다. YOLO11의 실시간 탐지 기능은 빠르게 이동하는 차량이라도 신속하고 안정적으로 식별할 수 있게 합니다. 이러한 역량은 더 빠른 대응 시간과 효과적인 법 집행을 가능하게 하여 공공 안전을 개선하는 데 기여합니다.

Link to this section최첨단 주차 관리 시스템과 ANPR#

YOLO11을 활용한 ANPR의 또 다른 흥미로운 애플리케이션은 주차 관리 시스템입니다. 예를 들어, 운전자가 주차권 발권기나 관리원과 상호 작용할 필요 없이 차량이 진입, 주차, 출차할 수 있는 주차장을 구현할 수 있습니다. YOLO11을 사용하는 ANPR 주차 시스템은 원활한 진입, 출차 및 결제 프로세스를 지원합니다.

그림 5. Ultralytics YOLO 모델을 사용한 주차장 관리.

차량이 진입 게이트에 접근하면 YOLO11 기반의 ANPR이 번호판을 즉시 인식합니다. 시스템은 번호판을 사전 등록된 데이터베이스와 교차 확인하거나 새로운 진입 기록을 생성합니다. 게이트가 자동으로 열려 수동 조치 없이 차량이 진입할 수 있습니다. 이러한 신속한 프로세스는 운전자에게 더 편리한 경험을 제공합니다.

마찬가지로 차량이 출차할 때도 시스템은 YOLO11을 사용하여 번호판을 다시 탐지합니다. 주차 시간을 계산하고 차량이 결제 수단을 등록했다면 자동으로 결제를 처리할 수 있습니다. 자동화는 물리적 결제 기기의 필요성을 없애고 특히 혼잡한 시간에 출구의 정체를 줄이는 데 도움을 줍니다.

YOLO11의 실시간 번호판 탐지 정확도는 이러한 주차 관리 시스템을 원활하게 작동시키는 핵심입니다. 주차 편의성을 높이는 것 외에도 수동 노동을 줄이고 교통 흐름을 개선하여 운영자가 시설을 더 효과적으로 관리하도록 돕습니다.

Link to this section보안 시스템의 출입 통제를 위한 ANPR 사용#

YOLO11과 통합된 ANPR 시스템은 보안 커뮤니티, 기업 캠퍼스 및 제한 구역과 같은 보안 구역의 출입 관리를 위한 훌륭한 옵션입니다. ANPR을 사용하여 이러한 장소는 보안을 자동화하여 허가된 차량만 출입할 수 있도록 보장합니다.

그림 6. ANPR을 사용하여 보안 구역에 허가된 차량 출입 허용.

이 과정은 앞서 논의한 주차 관리 시스템과 유사합니다. 주요 차이점은 시스템이 허가된 차량 목록과 번호판을 대조한다는 점입니다. 차량이 승인되면 게이트가 자동으로 열려 거주자, 직원 또는 방문자에게 원활한 출입을 제공하는 동시에 보안을 강화합니다. 이 과정은 수동 확인의 필요성을 줄여 보안 담당자가 더 중요한 업무에 집중할 수 있게 합니다.

Link to this sectionANPR 시스템은 스마트 시티 미래의 핵심 부분입니다#

YOLO11과 통합된 ANPR 시스템의 몇 가지 애플리케이션을 살펴보았으니, 이제 이러한 애플리케이션을 보다 연결된 방식으로 생각해보겠습니다.

개별적인 애플리케이션을 넘어, 이점은 스마트 시티를 위한 도시 인프라에서 하나의 응집된 솔루션으로 보일 때 진정으로 빛을 발합니다. 도시가 더 똑똑해짐에 따라, ANPR 시스템은 도시 인프라에서 점점 더 중요한 역할을 하고 있습니다.

예를 들어, ANPR을 사용하여 교통을 관리하고, 보안 출입을 허용하며, 주차를 동시에 간소화하는 스마트 시티를 고려해 보십시오. 차량이 도시에 진입할 때 탐지되고, 도시 전체에서 추적되며, 제한 구역에 대한 출입이 허가되고, 수동 개입 없이 주차될 수 있습니다.

YOLO11과 같은 컴퓨터 비전 모델을 통합함으로써, ANPR은 교통을 보다 효율적으로 관리하고 보안을 강화하며 공공 안전을 향상시키는 데 도움을 줄 수 있습니다. 이러한 시스템은 실시간 모니터링, 자동화된 프로세스 및 데이터 기반 의사결정을 가능하게 하며, 이는 현대 도시의 증가하는 복잡성을 관리하는 데 필수적입니다.

Link to this sectionYOLO11과 ANPR에 대한 최종 정리#

ANPR 시스템은 현대 도시 인프라에 필수적인 요소가 되고 있으며, YOLO11과 같은 컴퓨터 비전 모델을 통합하여 더욱 유용해지고 있습니다. YOLO11은 향상된 정확도, 실시간 처리 및 적응성을 통해 ANPR을 강화하며 스마트 시티 애플리케이션에 이상적입니다. 교통 관리 개선 및 법 집행부터 주차 및 보안 출입 자동화에 이르기까지, YOLO11 기반 ANPR 시스템은 효율성과 신뢰성을 제공합니다. 도시가 스마트해짐에 따라 이러한 솔루션은 도시 생활을 변화시키고 지능형 인프라의 미래를 뒷받침하는 결정적인 역할을 할 것입니다.

AI에 대해 더 알아보려면 GitHub 리포지토리를 방문하고 커뮤니티에 참여하십시오. 제조 및 농업 분야의 AI 애플리케이션은 당사 솔루션 페이지에서 살펴보실 수 있습니다. 🚀