고속도로 혼잡도 분석 프로젝트
- Lenguage : Python (3.9.13)
- Framework : FastAPI
- Interpreter type : project venv
- Model : YOLOv8
- Ultralytics 8.3.4
- CUDA Toolkit 10.2
- cuDNN
- PyTorch : 1.9.0+cu102
- cv2
AI Hub에서 제공하는 교통문제 해결을 위한 CCTV 교통 영상(고속도로) 데이터셋을 활용하였다.
모든 파일의 총 용량은 1.28 TB 정도 되며, 모든 데이터를 가지고 학습을 진행하는건 어려움이 있어서 수도권영동선 데이터만을 사용하였다.
100.교통문제 해결을 위한 CCTV 교통 데아터(고속도로)
- 01.데이터
- 1.Training
- 라벨링데이터
- 바운딩박스
- 1.수도권영동선.zip|16.13 MB|key:45125
- 원천데이터
- 바운딩박스
- 1-1.수도권영동선.zip|29.84 GB|key: 45139
- 1-2.수도권영동선.zip|16.81 GB|key: 45140
- 1-3.수도권영동선.zip|15.17 GB|key: 45141
- 2.Validation
- 라벨링데이터
- 바운딩박스
- 1.수도권영동선.zip|2.54 MB|key: 45042
- 원천데이터
- 바운딩박스
- 1.수도권영동선.zip|8.99 GB|key: 45056
| name | YOLOv8 model | epoch | batch | imgsz | patience | workers |
|---|---|---|---|---|---|---|
| first | nano | 5 | 64 | 640 | 3 | 4 |
yolo task=detect mode=train data=E:/tp/yolo8/ultralytics-main/ultralytics/data/dataset/data.yaml model=yolov8n.pt epochs=5 imgsz=640 batch=64 patience=3 device=0 --workers=4 --half
정확율 평균은 0.429가 나왔으며, 많은 개선이 필요하다.
0.30 이하: 성능이 낮은 편으로, 객체 탐지 정확도가 부족하다고 볼 수 있습니다. 간단한 탐지 작업(예: 큰 객체나 단순한 환경)에는 사용할 수 있지만, 정밀한 탐지가 필요한 경우에는 부적합할 수 있습니다.
0.40 ~ 0.50: 중간 정도의 성능으로, 모델이 어느 정도 객체를 탐지하고 위치를 예측할 수 있습니다. 일반적인 CCTV 모니터링, 대량 생산 환경에서의 객체 감지 등 상대적으로 높은 정확도가 요구되지 않는 경우에 적합합니다.
0.50 ~ 0.60: 성능이 양호한 편으로, 실제 응용에서 충분히 사용할 만한 성능입니다. 대부분의 일반적인 객체 탐지 작업에서 잘 작동하며, 실제 산업용, 상업용 애플리케이션에서 활용할 수 있는 수준입니다.
0.60 이상: 높은 성능으로, 모델이 객체의 위치와 경계를 매우 잘 예측할 수 있습니다. 자율 주행, 의료 영상 분석, 보안 시스템 등 정확한 객체 탐지가 필수적인 작업에 적합합니다.
background 데이터를 학습하지 못해서 다른 데이터를 background로 오인식 한 경우가 많으며,
bus 데이터 정확율이 높지 못한 문제가 있다.
0: 448x640 4 cars, 7.4ms
Speed: 1.0ms preprocess, 7.4ms inference, 1.0ms postprocess per image at shape (1, 3, 448, 640)
고속도로를 실시간으로 분석하기 위해서 국가교통정보센터에서 제공하는 CCTV 자료를 활용하였다.
서버에서 스케줄러를 통해 특정 주기로 구간별로 Detect를 수행하여 혼잡도를 파악한다.
혼잡도는 Detect 결과중 차량 대수를 기준으로 상태를 처리하며, 기준은 아래와 같이 정의했음.
혼잡도는 GIS를 활용하여 표현 하였으며, OpenLayers 라이브러리를 활용 했다.
불러온 지도 위에 구간별 혼잡도를 표현하기 위해선 구간별로 좌표를 구해 벡터 선을 그려야 한다.
이때 구간별 좌표를 효율적으로 관리하고 사용하기 위해서 geoJSON 데이터 형식을 사용하였다.
{
"type": "Feature",
"properties": {
"id": "ED0001",
"status": "1",
"type": "ex",
"cctvType": "3",
"minX": "126.73660421111015",
"maxX": "126.74100479368019",
"minY": "37.4288234275062",
"maxY": "37.43382986366974",
"getType": "json"
},
"geometry": {
"coordinates": [
[
126.73847786616176,
37.43291513145789
],
[
126.73800522194409,
37.42963109255997
],
[
126.73780266013688,
37.42808955522875
],
[
126.73751569757604,
37.42579729754779
],
[
126.7374405876946,
37.42435968081777
],
[
126.73788707164846,
37.421032028225085
]
],
"type": "LineString"
}
}
각 구간을 특정할 수 있도록 id를 임의로 지정하였고,
고속도로 영상 자료 호출 API 형식에 맞추기 위해서 CCTV가 존재하는 위,경도 좌표를 미리 입력해놨다.
status 속성은 혼잡도 상태값이며, 스케줄러에서 분석한 값을 해당 속성에 기록한다.
1: 여유, 2: 보통, 3: 혼잡
{
"type": "Feature",
"properties": {
"id": "C-ED0001",
"type": "ex",
"cctvType": "2",
"minX": "126.73660421111015",
"maxX": "126.74100479368019",
"minY": "37.4288234275062",
"maxY": "37.43382986366974",
"getType": "json"
},
"geometry": {
"coordinates": [
126.73847786616176,
37.43291513145789
],
"type": "Point"
}
}
해당 위치에 CCTV 아이콘을 추가하여, 클릭 시 영상을 볼 수 있도록 한다.
초록선은 해당 구간이 여유롭다는 의미이며, 주황선은 보통, 빨간선은 혼잡함을 의미한다.
CCTV 아이콘을 클릭하여 CCTV 영상을 확인할 수 있다.
차량 객체가 존재하지 않는 이미지를 찾기는 어려워 인페이팅 AI 도구를 활용하여 차량을 제거하는식으로 이미지를 생성하고 해당 이미지를 백그라운드로 분류하여 학습 시킨다.
현재는 이미지에서 방향 상관없이 차량대수를 파악하여 혼잡도를 하나의 선으로 표현하지만,
방향별로 차량대수를 파악하여, 방향별로 혼잡도를 표현한다.
