Software Prototype for Smart Traffic Monitoring Using YOLOv11: Baseline Evaluation and Limitations

현대 도시의 번화한 동맥 속에서 차량의 흐름은 종종 멈춰 서곤 하는 지속적이고 혼란스러운 리듬입니다. 수십 년 동안 이 흐름을 관리하는 것은 경직된 시스템에 의존해 왔습니다. 즉, 대기 중인 차량의 수와 상관없이 정해진 타이머에 따라 변하는 신호등과, 모든 교차로를 한꺼번에 볼 수 없는 타워에서 지켜보는 인간 경찰관이 그것입니다. 도시가 더 밀집됨에 따라 이러한 오래된 방식은 속도를 맞추는 데 어려움을 겪고 있으며, 이는 더 긴 통근 시간, 연료 낭비, 그리고 도로 위의 위험 증가로 이어집니다. 이를 해결하기 위해 과학자들은 컴퓨터 비전이라 불리는 인공지능 분야로 눈을 돌리고 있습니다. 이 기술은 기계가 카메라를 통해 세상을 "볼" 수 있게 하여 자동차, 버스, 오토바이와 같은 물체를 실시간으로 식별하게 해줍니다. 이러한 시각적 지능을 사물인터넷(IoT)—장치들이 무선으로 서로 대화하는 기술—와 결격하여, 연구자들은 갑작스러운 접촉에 반응하는 신경계처럼 변화하는 조건에 즉각적으로 반응하는 교통 시스템을 만들기를 희망합니다.

최indra의 산지바니 대학교(Sanjivani University)의 한 연구자는 이 시각 기술가 교통 관리에 얼마나 잘 작동하는지 테스트하기 위해 소프트웨어 프로토타입을 최근 구축했습니다. 그들의 목표는 거리의 비디오 피드를 관찰하고, 차량을 세고, 도로가 얼마나 붐비는지 추정하며, 그 정보를 간단한 웹 대시보드에 표시할 수 있는 시스템을 만드는 것이었습니다. 그들은 이미지에서 물체를 포착하도록 설계된 강력한 사전 학습된 인공지능 모델인 YOLOv11을 사용하였고, 이를 표준 프로그래밍 도구로 구축된 웹 인터페이스에 연결했습니다. 설계에는 향후 교통 신호를 자동으로 제어할 작고 저렴한 컴퓨터 칩에 대한 계획도 포함되었으나, 이 특정 테스트에는 해당 물리적 하드웨어가 포함되지 않았습니다. 연구자는 이 소프트웨어와 시각 기술의 조합이 더 스마트하고 반응적인 교통 네트워크를 위한 신뢰할 수 있는 토대가 될 수 있는지 확인하고자 했습니다.

그들이 구축한 시스템은 직관적인 순서로 작동합니다. 먼저, 사용자가 웹 대시보드에 교통 장면이 담긴 비디오나 사진을 업로드합니다. 그런 다음 소프트웨어는 비디오를 개별 프레임, 즉 스냅샷으로 분해하여 분석할 준비를 합니다. 인공지능 모델은 각 스냅샷을 검사하여 인식된 모든 것을 차량으로 식별하고 레이블을 할당합니다. 발견된 차량 수에 따라 시스템은 교통 밀도를 낮음, 중간, 높음으로 분류합니다. 이 정보는 다시 대시보드로 전송되어 인간 운영자가 현재 차량 수와 도로 상태를 볼 수 있게 합니다. 연구자는 또한 시스템이 사고나 신호 위반(예: 빨간불 주행)을 감지하도록 설계했지만, 이러한 고급 기능들은 아직 이 초기 버전에서 완전히 테스트되거나 검증되지 않았음을 주의 깊게 명시했습니다.

연구자가 프로토타입을 테스트했을 때, 결과는 오늘날 이 기술이 처한 위치를 명확하면서도 냉혹하게 보여주었습니다. 그들은 표준 컴퓨터 프로세서에서 시스템을 실행하여 1,150개의 개별 객체 인스턴스가 포함된 900개의 이미지를 처리했습니다. 성능 지표는 현재 설정이 아직 실제 현장에 배치될 준비가 되지 않았음을 드러냈습니다. 시스템은 예측을 했을 때 약 2%의 확률로만 차량을 정확히 식별했으며, 이미지에 실제로 존재하는 차량의 약 21%만을 탐지했습니다. 데이터의 면밀한 검토는 왜 시스템이 어려움을 겪었는지 보여주었습니다. 그들이 사용한 인공지능 모델은 사람, 자전거, 심지어 비행기까지 포함하는 방대한 일반 데이터셋으로 학습되었기 때문입니다. 연구자가 모델을 교통 차량만을 위한 데이터셋으로 재학습시키지 않았기 때문에, 컴퓨터는 혼란을 겪었습니다. 컴퓨터는 교통 영상 속에서 비행기와 사람을 식별하려고 상당한 시간을 허비한 반면, 정작 세어야 할 자동차와 버스를 놓치는 경우가 많았습니다. 연구자는 모델이 이 특정 작업에 대해 "미세 조정(fine-tuned)"되지 않았다고 언급했는데, 이는 모델이 필요한 조정을 거치지 않은 채 광범하고 일반적인 지식을 매우 구체적인 문제에 적용하려 했다는 의미입니다.

낮은 정확도 수치에도 불구하고, 이 프로젝트는 스마트 교통 시스템의 기본 아키텍처가 가능하다는 것을 성공적으로 입증했습니다. 소프트웨어 파이프라인은 의도한 대로 작동했습니다. 미디어를 수락하고, 비전 모델을 통해 처리하고, 탐지된 수를 세고, 결과를 웹 페이지에 표시했습니다. 대시보드는 차량 수, 밀도 등급, 그리고 사고 알림 및 신호 상태를 위한 자리 표시자(placeholder)를 보여주었습니다. 그러나 연구자는 화면에 표시된 사고 감지 및 교통 위반 기능은 이 테스트에서 작동하는 것이 아니라고 명시적으로 밝혔습니다. 그것들은 단지 미래의 더 완전한 버전에 해당 기능들이 들어갈 위치를 보여주기 위한 시각적 요소일 뿐이었습니다. 시스템은 실제로 사고나 위반을 감지하지 않았으며, 물리적인 교통 신호를 제어하지도 않았습니다. 하드웨어 구성 요소는 이론적인 설계의 일부로 남아 있었기 때문입니다.

연구자는 소프트웨어 프레임워크는 견고하지만, 시스템의 "두뇌"가 실제 도로에서 신뢰받기 위해서는 상당한 작업이 필요하다고 결론지었습니다. 낮은 성능 점수는 모델이 도로에서 발견되는 특정 유형의 차량만을 포함하는 데이터셋으로 반드시 재학습되어야 하며, 비행기와 같은 혼란스러운 카테고리가 제거되어야 함을 나타냅니다. 그들은 또한 현재의 결과가 완성된 제품이 아니라 진단을 위한 시작점인 베이스라인임을 강조했습니다. 프로토타입은 웹 기반 대시보드가 교통 데이터를 시각화할 수 있음을 증명했지만, 동시에 맞춤화되지 않은 범용 사전 제작 모델에 의존하는 것이 얼마나 좋지 않은 결과를 초래하는지를 부각시켰습니다.

앞으로를 내다보며, 연구자는 개선을 위한 명확한 경로를 제시했습니다. 그들은 교통을 인식하는 능력을 향상시키기 위해 자동차, 버스, 트럭의 특화된 데이터셋으로 인공지능 모델을 재학습시킬 계획입니다. 또한 밀도 판독에 따라 실제로 교통 신호를 제어할 수 있도록 설계한 작은 컴퓨터 칩을 통합할 예정입니다. 향 future 버전은 단순히 업로드된 파일이 아닌 라이브 카메라로부터의 실시간 비디오 스트리밍을 추가할 것이며, 높은 신뢰도로 사고와 규칙 위반을 포착하도록 시스템을 훈련시키는 데 집중할 것입니다. 현재로서는 이 프로토타입이 기술이 어디에서 부족한지, 그리고 도시를 안전하고 효율적으로 움직이게 하는 진정한 지능형 교통 관리 시스템을 구축하기 위해 어떤 단계가 필요한지를 보여주는 가치 있는 진단 도구 역할을 하고 있습니다.