번호판 감지를 위한 Ultralytics YOLO11 실시간 정확도의 텍스트 인식을 위한 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법을 알아보세요.
혼잡한 주차장에서 주차 공간을 찾거나, 긴 요금소 줄에서 기다리거나, 보안 검색대에 갇히는 것은 짜증나는 일입니다. 수동 차량 검사는 시간이 너무 오래 걸리고 지연이 발생하는 경우가 많습니다. 자동화된 시스템이 없으면 차량을 효율적으로 추적하기가 어려울 수 있습니다.
컴퓨터 비전은 이미지와 비디오 스트림에서 실시간 번호판 인식을 가능하게 함으로써 이를 변화시켰습니다. 예를 들어 Ultralytics YOLO11 은 물체 감지, 분류, 추적과 같은 고급 비전 AI 작업을 수행할 수 있는 고급 컴퓨터 비전 모델입니다. YOLO11 물체 감지 기능을 사용하면 이미지에서 차량 번호판을 정확하게 감지할 수 있습니다.
Ultralytics Vision AI 기반 솔루션을 구축하는 과정을 간소화하는 포괄적인 Google Colab 노트북을 제공합니다. 이 노트북에는 필수 종속성, 모델, 단계별 가이드가 미리 구성되어 있어 애플리케이션을 더 쉽게 만들 수 있습니다. 특히 ANPR (자동 번호판 인식)을 위한 전용 Colab 노트북이 있습니다.
이 문서에서는 ANPR용 Ultralytics Colab 노트북을 사용하여 번호판 감지를 위한 Ultralytics YOLO11 텍스트 인식을 위한 GPT-4o Mini를 사용하여 ANPR 솔루션을 구축하는 방법을 살펴봅니다.
수동으로 차량을 추적하는 것은 시간이 많이 걸리고 특히 빠르게 이동하는 경우 오류가 발생하기 쉽습니다. 번호판을 일일이 확인하면 프로세스가 느려지고 실수할 위험이 높아집니다. 자동 번호판 인식은 컴퓨터 비전을 사용하여 번호판을 즉시 감지하고 판독함으로써 이 문제를 해결하여 교통 모니터링과 보안을 보다 효율적으로 수행할 수 있습니다.
ANPR 시스템은 지나가는 차량의 이미지나 동영상을 캡처하고 실시간 물체 감지 기능을 사용하여 번호판을 식별할 수 있습니다. 일단 감지되면 텍스트 인식을 사용하여 사람의 개입 없이 자동으로 번호판을 추출합니다. 이 프로세스는 차량이 빠르게 움직이거나 번호판이 부분적으로 가려진 경우에도 정확한 결과를 보장합니다.
오늘날 요금소, 주차 시스템, 법 집행 기관에서는 차량을 효율적으로 추적하기 위해 점점 더 ANPR에 의존하고 있습니다.
ANPR은 차량을 빠르게 식별하지만 정확도에 영향을 줄 수 있는 몇 가지 문제가 여전히 존재합니다. 다음은 ANPR 시스템의 작동에 영향을 미칠 수 있는 몇 가지 일반적인 문제입니다:
Ultralytics YOLO11 ANPR 시스템을 더 빠르고 정확하게 만들 수 있습니다. 정밀도를 유지하면서 이미지를 빠르게 처리하고 과중한 컴퓨팅 성능을 필요로 하지 않으므로 소형 보안 카메라부터 대규모 교통 시스템에 이르기까지 모든 곳에서 잘 작동합니다.
맞춤형 학습을 통해 YOLO11 다양한 번호판 스타일, 언어 및 환경에 맞게 조정할 수 있습니다. 또한 이러한 조건의 이미지가 포함된 특수 데이터 세트에 대한 맞춤형 학습을 통해 저조도, 모션 블러, 까다로운 각도 등 까다로운 조건에서도 우수한 성능을 발휘합니다.
YOLO11 차량을 즉시 식별함으로써 대기 시간을 줄이고 오류를 방지하며 보안을 개선합니다. 이를 통해 주차장, 요금소, 감시 시스템에서 교통 흐름을 원활하게 하고 운영 효율을 높일 수 있습니다.
다음으로 YOLO11 GPT-4o Mini를 사용하여 ANPR 시스템을 구축하는 방법을 살펴보겠습니다.
이 솔루션에 대해 Ultralytics Google 콜라보 노트북에 표시된 코드를 살펴보겠습니다. Google 콜라보 노트북은 사용하기 쉬우며 복잡한 설정 없이도 누구나 ANPR 시스템을 만들 수 있습니다.
시작하려면 ANPR 시스템을 실행하는 데 필요한 종속성 또는 필수 소프트웨어 패키지 및 라이브러리를 설치해야 합니다. 이러한 종속성은 객체 감지, 이미지 처리, 텍스트 인식과 같은 작업에 도움이 되며 시스템이 효율적으로 작동하도록 합니다.
아래 그림과 같이 Ultralytics Python 패키지를 설치합니다. 이 패키지는 사전 학습된 모델, 학습 유틸리티 및 추론 도구를 제공하여 YOLO11 번호판을 더 쉽게 감지하고 인식할 수 있도록 합니다.
.webp)
또한 텍스트 인식을 위해 GPT-4o Mini를 설정해야 합니다. GPT-4o Mini는 감지된 번호판에서 텍스트를 추출하는 역할을 하므로 모델에 액세스하려면 API 키가 필요합니다. 이 키는 GPT-4o Mini API에 가입하여 얻을 수 있습니다. 키를 받으면 Colab 노트북에 추가하여 시스템이 모델에 연결하고 번호판 번호를 처리할 수 있도록 할 수 있습니다.
설정을 완료하고 설치 코드를 실행하면 YOLO11 번호판을 감지할 준비가 되고, GPT-4o Mini가 번호판에서 텍스트를 인식하고 추출하도록 설정됩니다.
이제 모든 설정이 완료되었으므로 다음 단계는 번호판을 감지하도록 맞춤 학습된 YOLO11 모델을 다운로드하는 것입니다. 이 모델은 이미 번호판을 감지하도록 훈련되었으므로 처음부터 다시 훈련할 필요가 없습니다. 다운로드만 하면 바로 사용할 수 있습니다. 따라서 시간이 절약되고 프로세스가 훨씬 쉬워집니다.
또한 시스템을 테스트할 수 있는 샘플 동영상 파일을 다운로드해 드립니다. 원하는 경우 자체 비디오 파일에서도 이 솔루션을 실행할 수 있습니다. 다운로드가 완료되면 모델과 비디오 파일이 노트북 환경에 저장됩니다.
.webp)
모델이 준비되면 실제로 작동하는 모습을 볼 차례입니다. 먼저 처리를 위해 비디오 파일을 로드하여 올바르게 열리는지 확인합니다. 그런 다음 원본 크기와 프레임 속도를 유지하면서 감지된 번호판과 함께 처리된 영상을 저장하도록 동영상 작성기를 설정합니다. 마지막으로, 비디오의 각 프레임에서 번호판을 감지하기 위해 모델을 로드합니다.
모델이 로드되면 시스템은 비디오의 각 프레임을 분석하여 번호판을 감지하기 시작합니다. 번호판이 발견되면 시스템은 감지 상자로 강조 표시하여 쉽게 식별할 수 있도록 합니다. 이 단계에서는 불필요한 배경 정보를 필터링하여 관련 세부 정보만 캡처할 수 있습니다. 번호판이 성공적으로 감지되면 이제 동영상은 다음 단계로 넘어갈 준비가 된 것입니다.
번호판을 감지한 후 다음 단계는 텍스트 인식입니다. 시스템은 먼저 비디오 프레임에서 번호판을 잘라내어 방해 요소를 제거하여 선명한 화면을 제공합니다. 이렇게 하면 디테일에 집중할 수 있어 저조도나 모션 블러와 같은 까다로운 조건에서도 정확도가 향상됩니다.
번호판이 분리되면 GPT-4o Mini가 이미지를 분석하여 숫자와 문자를 추출한 후 판독 가능한 텍스트로 변환합니다. 그런 다음 인식된 텍스트를 다시 비디오에 추가하여 감지된 각 번호판에 실시간으로 라벨을 붙입니다.
이 단계를 완료하면 ANPR 시스템이 완벽하게 작동하고 번호판을 쉽게 인식할 수 있습니다.
마지막 단계에서는 처리된 동영상을 저장하고 임시 파일을 정리하여 모든 것이 원활하게 실행되도록 합니다.
감지된 번호판과 인식된 텍스트가 포함된 처리된 각 프레임이 최종 출력 비디오에 기록됩니다. 모든 프레임이 처리되면 시스템은 읽던 비디오 파일을 닫아 메모리와 시스템 리소스를 확보합니다. 또한 출력 비디오를 마무리하고 저장하여 재생 또는 추가 분석을 위한 준비를 마칩니다.
.webp)
ANPR 솔루션을 구축하고 테스트한 다음 단계는 실제 환경에 배포하는 것입니다. 대부분의 비전 AI 모델은 고성능 컴퓨팅에 의존하지만, Ultralytics YOLO11 에지 AI에 최적화되어 있습니다. 클라우드 처리나 지속적인 인터넷 연결 없이도 소형 디바이스에서 효율적으로 실행할 수 있으므로 리소스가 제한된 위치에 적합한 선택입니다.
예를 들어, 게이트 커뮤니티에서는 엣지 디바이스에 YOLO11 배포하여 차량이 진입할 때 차량을 식별할 수 있으므로 대규모 서버가 필요하지 않습니다. 모든 것이 현장에서 실시간으로 처리되므로 원활한 액세스, 혼잡 감소, 보안 강화가 가능합니다.
.webp)
한편, 인터넷 연결이 안정적인 지역에서는 클라우드 기반 ANPR을 통해 여러 대의 카메라를 동시에 처리할 수 있습니다. 예를 들어 쇼핑몰에서는 여러 출입구에서 차량을 추적하고 중앙 시스템에서 차량 번호를 저장할 수 있어 주차 모니터링, 보안 개선, 차량 흐름을 원격으로 쉽게 관리할 수 있습니다.
자동 번호판 인식(ANPR) 시스템을 설정하는 것은 Ultralytics YOLO11 간단합니다. 이 시스템은 번호판을 정확하게 감지하며 다양한 환경과 요구 사항에 맞게 맞춤 학습할 수 있습니다.
ANPR 시스템은 보안을 강화하고, 주차 관리를 간소화하며, 교통 모니터링을 개선합니다. 번호판 인식을 자동화하여 오류를 줄이고 식별 속도를 높이며 다양한 애플리케이션에서 차량 추적을 보다 효율적으로 수행할 수 있습니다.
유니티 커뮤니티에 가입하고 GitHub 리포지토리를 방문하여 AI가 실제로 작동하는 모습을 살펴보세요. 라이선스 옵션을 살펴보고 솔루션 페이지에서 제조 분야의 비전 AI와 자율 주행 차량의 AI에 대해 자세히 알아보세요.
