ALYCE는 minUi와 OBSERVER 같은 솔루션에 Ultralytics YOLO를 통합하여 개발 시간을 두 달 단축하고 비용을 절감함으로써 더욱 스마트한 도시 모빌리티를 구현했습니다.
분주한 도시는 교통 혼잡, 노후한 교통 시스템, 지속 가능성 문제로 어려움을 겪는 경우가 많습니다. ALYCE는 도시의 이동 방식을 이해하고 개선할 수 있는 스마트한 AI 기반 도구를 제공하여 이러한 문제를 해결하는 데 주력하고 있습니다.
ALYCE는 이러한 문제를 해결하기 위해 노력하고 있으며, Ultralytics YOLO models을 기반으로 하는 다양한 혁신적 솔루션을 구축했습니다. 여기에는 행동을 분석하는 AI 도구인 minUi와 실시간 교통 모니터링 시스템인 OBSERVER가 포함됩니다. 이러한 도구는 데이터를 더 빠르고 정확하게 수집하고 비용을 절감하며, 도시가 더 스마트하고 친환경적이며 효율적인 교통 시스템을 구축하도록 지원합니다.
그림 1. minUi는 행동 분석에 Ultralytics YOLO 모델을 사용합니다.
교통 관리를 위한 Vision AI 활용#
ALYCE는 20년 넘게 지속 가능성에 중점을 두고 도시의 모빌리티 향상을 지원해 왔습니다. 도시 지역은 교통 혼잡, 비효율적인 교통 시스템, 시급한 탈탄소화 필요성과 같은 지속적인 문제에 직면해 있습니다. 기존의 모빌리티 데이터 수집 및 분석 방식은 느리고 정확도가 떨어지는 경우가 많아 계획 수립을 어렵게 만듭니다. ALYCE는 이러한 장애물을 극복하기 위해 computer vision과 AI를 도입하고, 도시가 교통 시스템을 최적화하고 더욱 지속 가능한 미래를 향해 나아갈 수 있도록 혁신적인 데이터 기반 솔루션을 개발했습니다.
도시에 더 스마트한 데이터 기반 모빌리티 솔루션이 필요한 이유#
전 세계적으로 도시가 더욱 붐비면서 도시 모빌리티 관리가 점점 복잡해지고 있습니다. 교차로와 로터리처럼 혼잡한 지역에서 보행자, 차량, 자전거 및 기타 도로 이용자를 감지하고 분석하는 것은 교통 흐름, 안전, 교통 계획을 개선하는 데 필수적입니다. 그러나 수동 조사나 노후한 모니터링 시스템과 같은 기존 방식은 이러한 복잡성을 처리하는 데 필요한 정확도를 제공하지 못하는 경우가 많습니다.
기존 시스템은 다양한 유형의 도로 이용자를 구분하거나 이들의 움직임을 효과적으로 추적하는 데 어려움을 겪습니다. 예를 들어 실시간으로 보행자와 자전거 이용자 옆을 지나는 차량의 이동 경로를 모니터링하는 작업은 기존 도구로 안정적으로 수행하기 어렵습니다. 불완전하거나 부정확한 데이터는 도시 계획 담당자와 교통 운영자가 충분한 정보를 바탕으로 의사 결정을 내리는 것을 어렵게 만들 수 있습니다.
이러한 문제를 해결하려면 더 스마트한 도구가 필요합니다. 이상적인 종합 솔루션은 여러 도로 이용자를 동시에 track하고, 실시간 인사이트를 제공하며, 도시가 교통 패턴을 더 잘 이해하도록 지원할 수 있어야 합니다.
더 스마트한 모빌리티를 위한 ALYCE의 AI 기반 솔루션#
ALYCE는 도시 모빌리티의 문제를 해결하기 위해 AI와 computer vision을 기반으로 하는 고급 도구를 개발했습니다. 이러한 도구는 computer vision tasks와 real-time object detection 같은 작업에 Ultralytics YOLO 모델을 사용합니다. 특히 YOLO 모델은 보행자, 차량, 자전거 및 기타 도로 이용자를 정확하고 자동으로 추적할 수 있도록 합니다. Ultralytics YOLO를 사용해 수집한 인사이트는 혼잡한 교차로나 로터리처럼 복잡한 환경에서도 신뢰할 수 있고 실행 가능합니다.
ALYCE의 주요 솔루션은 다음과 같습니다.
- minUi: 도로 이용자의 행동을 분석하고 교통 안전과 효율성을 개선할 수 있는 인사이트를 제공하는 동영상 분석용 AI 도구입니다.
- OBSERVER: 도로 이용자의 감지 및 추적을 자동화하여 동적 traffic management와 더 나은 의사 결정을 지원하는 실시간 교통 모니터링 시스템입니다.
- MyGIS: 모빌리티 데이터를 시각화하여 도시 계획 담당자가 추세를 해석하고 더욱 효과적인 교통 시스템을 설계하도록 지원하는 플랫폼입니다.
Ultralytics YOLO 모델을 통합함으로써 이러한 도구는 느린 수동 프로세스를 자동화하고 매우 정확한 데이터를 제공합니다. Vision AI 기반 인사이트를 통해 ALYCE는 도시가 혼잡을 줄이고 교통 흐름을 최적화하며 더욱 지속 가능한 도시 교통 네트워크를 구축할 수 있도록 지원합니다.
Ultralytics YOLO 모델을 선택한 이유#
Ultralytics YOLO 모델은 가장 중요한 부분에서 높은 성능을 제공했기 때문에 ALYCE의 모빌리티 솔루션에 이상적인 선택이었습니다. 평균 정밀도(mAP)를 1~2% 향상하여 정확도를 높였으며, 다른 모델보다 20% 빠른 추론 속도로 실시간 처리를 보장하고 일관되게 30 FPS로 작동했습니다. 또한 GPU RAM을 40% 적게 사용하여 효율성 면에서도 탁월했기 때문에 리소스가 제한된 환경에 적합했습니다.
이러한 이점으로 ALYCE는 개발 시간을 두 달 단축할 수 있었습니다. Ultralytics를 사용하면 기존 설정에서 거의 한 시간이 걸리던 학습 세션을 단 5~10분 만에 설정하고 시작할 수 있어 더 빠른 반복 작업이 가능합니다. 전반적으로 ALYCE는 Ultralytics YOLO 모델을 사용하여 비용을 절감하는 동시에 AI 기반 솔루션을 개선하고 더 스마트하고 효율적인 모빌리티 시스템을 구축하는 데 집중할 수 있었습니다.
Ultralytics YOLO로 새로운 행동 인사이트 수집#
Ultralytics YOLO 모델을 사용하면서 ALYCE는 모빌리티 솔루션을 한 단계 발전시킬 수 있었습니다. 이제 ALYCE의 도구는 도로 이용자의 행동 분석과 같은 유용한 인사이트를 제공하여 도시와 교통 운영자가 더 나은 의사 결정을 내리도록 지원합니다.
computer vision을 통합한 이후 ALYCE는 자동화를 통한 생산 비용 절감, 성능 지표 향상, 납품 일정 단축 등 측정 가능한 비즈니스 성과를 달성했습니다. 또한 상세한 행동 인사이트와 같은 새로운 유형의 데이터를 생성할 수 있게 되어 더욱 스마트한 모빌리티 솔루션을 지원하는 역량을 강화했습니다.
그림 2. computer vision을 사용하여 ALYCE는 새로운 행동 인사이트를 생성할 수 있었습니다.
한편 고객들은 CEREMA가 검증한 최고 수준의 데이터 표준을 충족하는 ALYCE 솔루션의 품질과 정확도에 깊은 인상을 받았습니다. CTO Benoit Berthe는 다음과 같이 말했습니다. “ALYCE에서 Ultralytics를 활용한 것은 모델 학습 방식을 획기적으로 변화시켰습니다. 이를 통해 데이터 정확도를 높이고 고객에게 탁월한 품질을 제공하는 동시에 지속 가능한 모빌리티 프로젝트를 지원할 수 있었습니다.”
이러한 개선은 고객 만족도 향상으로도 이어졌습니다. 고객들은 ALYCE의 도구를 단독으로 사용하든 사람의 감독과 함께 사용하든 더 나은 결과와 원활한 운영을 경험했다고 보고했습니다.
모빌리티 분야 computer vision의 미래#
ALYCE는 동일한 문맥 장단기 메모리 (LSTMs)와 같은 새로운 기술이 동영상 기반 모델에 적용되고, Ultralytics YOLO와 같은 모델을 통해 computer vision이 발전할 것으로 전망합니다. 이러한 혁신은 객체 인식을 향상하고 추적 연속성을 개선하여 교통 솔루션을 더욱 스마트하고 안정적으로 만들 것입니다. 이러한 기술이 발전함에 따라 도시는 모빌리티 문제를 관리할 수 있는 더 나은 도구를 갖추게 될 것입니다.
Vision AI가 도시를 어떻게 변화시킬 수 있는지 궁금하신가요? GitHub repository를 확인하여 computer vision in agriculture와 self-driving cars 같은 Ultralytics의 산업별 솔루션을 살펴보고, our Ultralytics YOLO licenses에 대해 알아보며 지금 시작해 보세요!
