10. Februar 2025
Erfahren Sie, wie Sie ein ANPR-System mit Ultralytics YOLO11 für die Nummernschilderkennung und GPT-4o Mini für die Texterkennung mit Echtzeitgenauigkeit aufbauen können.
Die Suche nach einem Parkplatz auf einem überfüllten Parkplatz, das Warten in langen Schlangen an Mautstellen oder das Steckenbleiben bei Sicherheitskontrollen sind frustrierend. Manuelle Fahrzeugkontrollen dauern oft zu lange und führen zu Verzögerungen. Ohne ein automatisiertes System kann die effiziente Verfolgung von Fahrzeugen eine Herausforderung sein.
Die Computer Vision hat dies geändert, indem sie die Erkennung von Nummernschildern aus Bildern und Videostreams in Echtzeit ermöglicht. Ultralytics YOLO11 zum Beispiel ist ein fortschrittliches Computer-Vision-Modell, das fortschrittliche Vision AI-Aufgaben wie Objekterkennung, Klassifizierung und Verfolgung durchführen kann. Mit den Objekterkennungsfähigkeiten von YOLO11 können Sie Fahrzeugkennzeichen in Bildern genau erkennen.
Ultralytics bietet umfassende Google Colab-Notebooks, die den Aufbau von Vision AI-gestützten Lösungen vereinfachen. Diese Notebooks sind mit wesentlichen Abhängigkeiten, Modellen und Schritt-für-Schritt-Anleitungen vorkonfiguriert, was die Erstellung von Anwendungen erleichtert. Insbesondere gibt es ein spezielles Colab-Notebook für ANPR (Automatic Number Plate Recognition).
In diesem Artikel wird anhand des Ultralytics Colab Notebooks für ANPR untersucht, wie eine ANPR-Lösung mit Ultralytics YOLO11 für die Kennzeichenerkennung und GPT-4o Mini für die Texterkennung aufgebaut werden kann.
Die manuelle Verfolgung von Fahrzeugen ist zeitaufwändig und fehleranfällig, vor allem, wenn sie sich schnell bewegen. Die Überprüfung jedes einzelnen Kennzeichens verlangsamt den Prozess und erhöht das Risiko von Fehlern. Die automatische Nummernschilderkennung löst dieses Problem, indem sie mit Hilfe von Computer Vision die Nummernschilder sofort erkennt und liest und so die Verkehrsüberwachung und Sicherheit effizienter macht.
ANPR-Systeme können Bilder oder Videos von vorbeifahrenden Fahrzeugen aufnehmen und mithilfe von Objekterkennung in Echtzeit Nummernschilder identifizieren. Nach der Erkennung werden die Nummernschilder mit Hilfe der Texterkennung automatisch extrahiert, ohne dass ein menschliches Eingreifen erforderlich ist. Dieses Verfahren gewährleistet genaue Ergebnisse, selbst wenn sich die Fahrzeuge schnell bewegen oder die Kennzeichen teilweise verdeckt sind.
Heutzutage verlassen sich Mautstellen, Parksysteme und Strafverfolgungsbehörden zunehmend auf ANPR, um Fahrzeuge effizient zu verfolgen.
ANPR identifiziert Fahrzeuge zwar schnell, aber es gibt dennoch einige Probleme, die die Genauigkeit beeinträchtigen können. Hier sind einige häufige Probleme, die die Funktionsfähigkeit eines ANPR-Systems beeinträchtigen können:
Ultralytics YOLO11 kann ANPR-Systeme schneller und genauer machen. Es verarbeitet Bilder schnell und präzise und benötigt keine hohe Rechenleistung, so dass es von kleinen Überwachungskameras bis hin zu großen Verkehrssystemen gut funktioniert.
Durch benutzerdefiniertes Training kann YOLO11 an verschiedene Kennzeichenarten, Sprachen und Umgebungen angepasst werden. Auch unter schwierigen Bedingungen wie schlechten Lichtverhältnissen, Bewegungsunschärfe und schwierigen Blickwinkeln erbringt er gute Leistungen, wenn er mit speziellen Datensätzen trainiert wird, die Bilder dieser Bedingungen enthalten.
Durch die sofortige Identifizierung von Fahrzeugen hilft YOLO11, Wartezeiten zu verkürzen, Fehler zu vermeiden und die Sicherheit zu erhöhen. Dadurch wird der Verkehrsfluss reibungsloser und der Betrieb auf Parkplätzen, an Mautstellen und in Überwachungssystemen effizienter.
Als Nächstes wollen wir uns ansehen, wie man ein ANPR-System mit YOLO11 und GPT-4o Mini aufbaut.
Wir werden den im Ultralytics Google Collab Notebook vorgestellten Code für diese Lösung untersuchen. Das Google Colab-Notebook ist einfach zu bedienen und jeder kann ein ANPR-System erstellen, ohne dass eine komplizierte Einrichtung erforderlich ist.
Um mit der Arbeit zu beginnen, müssen wir unsere Abhängigkeiten installieren, d. h. die wesentlichen Softwarepakete und Bibliotheken, die für den Betrieb unseres ANPR-Systems erforderlich sind. Diese Abhängigkeiten helfen bei Aufgaben wie Objekterkennung, Bildverarbeitung und Texterkennung und stellen sicher, dass das System effizient arbeitet.
Wir installieren das Ultralytics-Python-Paket wie unten gezeigt. Dieses Paket bietet vortrainierte Modelle, Trainingsprogramme und Inferenz-Tools, die die Erkennung und Erkennung von Nummernschildern mit YOLO11 erleichtern.
Außerdem müssen wir GPT-4o Mini für die Texterkennung einrichten. Da GPT-4o Mini für die Extraktion von Text aus erkannten Schildern zuständig ist, benötigen wir einen API-Schlüssel für den Zugriff auf das Modell. Diesen Schlüssel erhalten Sie, wenn Sie sich bei der GPT-4o Mini API anmelden. Sobald Sie den Schlüssel haben, können Sie ihn zum Colab-Notebook hinzufügen, damit das System sich mit dem Modell verbinden und Kennzeichen verarbeiten kann.
Nach Abschluss des Setups und dem Ausführen des Installationscodes ist YOLO11 bereit, Nummernschilder zu erkennen, und GPT-4o Mini ist so eingerichtet, dass es den Text erkennen und auslesen kann.
Nachdem nun alles eingerichtet ist, laden Sie als Nächstes das YOLO11-Modell herunter, das speziell für die Erkennung von Nummernschildern trainiert wurde. Da dieses Modell bereits für die Erkennung von Nummernschildern trainiert wurde, müssen Sie es nicht von Grund auf neu trainieren. Sie können es einfach herunterladen, und es ist sofort einsatzbereit. Das spart Zeit und macht den Prozess viel einfacher.
Außerdem laden wir eine Beispiel-Videodatei herunter, um das System zu testen. Wenn Sie möchten, können Sie diese Lösung auch mit Ihren eigenen Videodateien ausprobieren. Nach dem Download werden die Modell- und Videodateien in der Notebook-Umgebung gespeichert.
Sobald das Modell fertig ist, ist es an der Zeit, es in Aktion zu sehen. Zunächst wird die Videodatei zur Verarbeitung geladen und sichergestellt, dass sie korrekt geöffnet wird. Dann wird ein Video-Writer eingerichtet, um das verarbeitete Material mit den erkannten Nummernschildern unter Beibehaltung der ursprünglichen Größe und Bildrate zu speichern. Schließlich wird das Modell geladen, um Nummernschilder in jedem Bild des Videos zu erkennen.
Sobald das Modell geladen ist, beginnt das System mit der Analyse jedes Einzelbildes des Videos, um Nummernschilder zu erkennen. Wenn ein Kennzeichen gefunden wird, hebt das System es mit einem Erkennungsfeld hervor, so dass es leicht zu identifizieren ist. Dieser Schritt stellt sicher, dass nur die relevanten Details erfasst und unnötige Hintergrundinformationen herausgefiltert werden. Nachdem die Nummernschilder erfolgreich erkannt wurden, ist das Video nun bereit für den nächsten Schritt.
Nach der Erkennung eines Kennzeichens folgt der nächste Schritt, die Texterkennung. Das System schneidet zunächst das Nummernschild aus dem Videobild aus und entfernt alle Ablenkungen, um eine klare Sicht zu gewährleisten. Dies hilft, sich auf die Details zu konzentrieren und verbessert die Genauigkeit auch bei schwierigen Bedingungen wie schwachem Licht oder Bewegungsunschärfe.
Sobald die Platte isoliert ist, analysiert GPT-4o Mini das Bild, extrahiert die Zahlen und Buchstaben und wandelt sie in lesbaren Text um. Der erkannte Text wird dann wieder zum Video hinzugefügt und beschriftet jede erkannte Platte in Echtzeit.
Wenn diese Schritte abgeschlossen sind, ist das ANPR-System voll funktionsfähig und bereit, Nummernschilder mühelos zu erkennen.
Der letzte Schritt speichert das bearbeitete Video und bereinigt temporäre Dateien, damit alles reibungslos funktioniert.
Jedes verarbeitete Bild mit den erkannten Platten und dem erkannten Text wird in das endgültige Ausgabevideo geschrieben. Sobald alle Bilder verarbeitet sind, schließt das System die Videodatei, aus der es gelesen hat, und gibt so Speicher und Systemressourcen frei. Außerdem wird das Ausgabevideo finalisiert und gespeichert, so dass es für die Wiedergabe oder weitere Analysen bereit ist.
Nach dem Aufbau und Testen einer ANPR-Lösung besteht der nächste Schritt darin, sie in einer realen Umgebung einzusetzen. Die meisten Vision-KI-Modelle sind auf Hochleistungscomputer angewiesen, aber Ultralytics YOLO11 ist für Edge-KI optimiert. Es kann effizient auf kleinen Geräten ausgeführt werden, ohne dass eine Cloud-Verarbeitung oder eine ständige Internetverbindung erforderlich ist, was es zu einer guten Wahl für Standorte mit begrenzten Ressourcen macht.
So kann beispielsweise eine geschlossene Wohnanlage YOLO11 auf einem Edge-Gerät einsetzen, um Fahrzeuge bei der Einfahrt zu identifizieren, wodurch große Server überflüssig werden. Alles wird vor Ort in Echtzeit verarbeitet, was einen reibungslosen Zugang, weniger Staus und mehr Sicherheit gewährleistet.
In Gebieten mit einer stabilen Internetverbindung kann die cloudbasierte ANPR mehrere Kameras gleichzeitig bedienen. In einem Einkaufszentrum beispielsweise können Fahrzeuge an verschiedenen Eingängen erfasst und die Kennzeichen in einem zentralen System gespeichert werden, was die Überwachung des Parkens, die Verbesserung der Sicherheit und die Verwaltung des Fahrzeugflusses aus der Ferne erleichtert.
Die Einrichtung eines automatischen Kennzeichenerkennungssystems (ANPR) ist mit Ultralytics YOLO11 einfach. Es erkennt Nummernschilder präzise und kann individuell trainiert werden, um sich an unterschiedliche Umgebungen und Anforderungen anzupassen.
ANPR-Systeme erhöhen die Sicherheit, rationalisieren die Parkverwaltung und verbessern die Verkehrsüberwachung. Durch die Automatisierung der Nummernschilderkennung verringern sie Fehler, beschleunigen die Identifizierung und machen die Fahrzeugverfolgung in verschiedenen Anwendungen effizienter.
Werden Sie Teil unserer Community und besuchen Sie unser GitHub-Repository, um KI in Aktion zu erleben. Erkunden Sie unsere Lizenzierungsoptionen und erfahren Sie mehr über Vision AI in der Fertigung und AI in selbstfahrenden Autos auf unseren Lösungsseiten.
