공공데이터를 활용한 지능형 교통환경 관제시스템의 객체 탐지 성능 향상 방안

• 영문명: Strategies for Enhancing Object Detection Performance in Intelligent Traffic Environment Control Systems Utilizing Public Data
• 발행기관: 한국전자통신학회
• 저자명: 이수미(Su-Mi Lee)
• 간행물 정보: 『한국전자통신학회 논문지』제20권 제4호, 735~740쪽, 전체 6쪽
• 주제분류: 공학 > 전자/정보통신공학
• 파일형태: PDF
• 발행일자: 2025.08.31

국문 초록

본 연구는 지능형 교통환경 관제시스템을 위한 공공데이터를 활용하여 실시간 객체 탐지 성능 개선 방안을 제안한다. 실시간 처리가 중요한 교통 환경에서 효율적 시스템 구현을 위하여 객체 탐지에 주로 실무적으로 주로 적용되고 있는 PyTorch 기반 YOLOv8, PyTorch 기반 YOLOv5, TensorFlow 기반 YOLOv5의 성능을 비교 분석하였다. 과학기술정보통신부와 한국지능정보사회진흥원이 운영하는 AI Hub의 '교통사고 영상 데이터'를 활용해 국내 교통상황에 부합하는 환경에서 성능을 비교 분석하였다. 성능 평가 결과, PyTorch 기반 YOLOv8은 평균 3.77fps로 YOLOv5(약 2.0fps)보다 약 80% 향상된 처리 효율성을 보였다. 객체 인식 정확성 분석에서 YOLOv8은 대형 객체(트럭, 버스) 탐지에서 우수했으며, YOLOv5는 소형 객체(가방 등) 탐지에서 상대적 우위를 나타냈다. 본 연구는 교통모니터링, 자율주행 차량, 스마트 시티 등에서 YOLOv8의 활용 가능성을 제시한다.

영문 초록

This study proposes a method for improving real-time object detection performance for intelligent traffic environment control systems using public data. PyTorch-based YOLOv8, PyTorch-based YOLOv5, and TensorFlow-based YOLOv5, three models commonly used in practical applications, were compared for efficient system implementation in traffic environments where real-time processing is crucial. Experiments were conducted using 'Traffic Accident Video Data' from the Ministry of Science and ICT/NIA AI Hub suitable for Korean traffic conditions. Performance evaluation showed PyTorch-based YOLOv8 achieved 3.77fps, approximately 80% faster than YOLOv5 implementations (approximately 2.0fps). Object recognition analysis revealed YOLOv8 excels at detecting large objects (e.g., trucks, buses), while YOLOv5 performs better with small objects (e.g., bags). This research highlights YOLOv8's potential applications in traffic monitoring, autonomous vehicles, and smart cities.

목차

Ⅰ. 서 론

Ⅱ. 관련연구

Ⅲ. 시스템 구현 및 비교 분석 환경

Ⅳ. 결 론

References

키워드

딥러닝 객체 탐지 공공데이터 교통환경 관제시스템 Deep Learning Object Detection Public Data Traffic Environment Control System