Ein ANPR-System mit Ultralytics YOLO11 und GPT-4o Mini entwickeln

Auf einem überfüllten Parkplatz einen Stellplatz zu finden, an einer Mautstelle lange zu warten oder an einer Sicherheitskontrolle festzustecken, ist frustrierend. Manuelle Fahrzeugkontrollen dauern oft zu lange und führen zu Verzögerungen. Ohne ein automatisiertes System kann es schwierig sein, Fahrzeuge effizient zu erfassen.

Computer Vision hat dies verändert und ermöglicht die Kennzeichenerkennung in Echtzeit anhand von Bildern und Videostreams. Zum Beispiel ist Ultralytics YOLO11 ein Modell für Computer Vision, das Aufgaben der visuellen KI wie Objekterkennung, Klassifizierung und Objektverfolgung unterstützt. Mit den Objekterkennungsfunktionen von YOLO11 kannst du Fahrzeugkennzeichen in Bildern präzise erkennen.

Ultralytics bietet umfassende Google-Colab-Notebooks, die das Entwickeln von Lösungen mit Vision-KI vereinfachen. Die Notebooks sind bereits mit wichtigen Abhängigkeiten und Modellen eingerichtet und enthalten Schritt-für-Schritt-Anleitungen. So lassen sich Anwendungen leichter entwickeln. Es gibt auch ein spezielles Colab-Notebook für ANPR (automatische Kennzeichenerkennung).

In diesem Artikel verwenden wir das Ultralytics-Colab-Notebook für ANPR und zeigen, wie du mit Ultralytics YOLO11 Kennzeichen erkennen und mit GPT-4o Mini den Text auslesen kannst.

ANPR verstehen#

Fahrzeuge manuell zu verfolgen, ist zeitaufwendig und fehleranfällig, besonders wenn sie schnell unterwegs sind. Jedes Kennzeichen einzeln zu überprüfen, verlangsamt den Ablauf und erhöht die Fehlergefahr. Die automatische Kennzeichenerkennung löst dieses Problem: Mit Computer Vision werden Kennzeichen sofort erkannt und ausgelesen, wodurch Verkehrsüberwachung und Sicherheit effizienter werden.

ANPR-Systeme können Bilder oder Videos vorbeifahrender Fahrzeuge aufnehmen und mithilfe der Objekterkennung in Echtzeit Kennzeichen identifizieren. Sobald ein Kennzeichen erkannt wurde, extrahiert die Texterkennung die Zeichen automatisch, ohne dass ein Mensch eingreifen muss. So bleiben die Ergebnisse auch dann präzise, wenn sich Fahrzeuge schnell bewegen oder Kennzeichen teilweise verdeckt sind.

Abb. 1. Beispiel für die Erkennung eines Kennzeichens mit Ultralytics YOLO11.

Heute setzen Mautstellen, Parksysteme und Strafverfolgungsbehörden zunehmend auf ANPR, um Fahrzeuge effizient zu erfassen.

Herausforderungen bei der ANPR-Technologie#

ANPR kann Fahrzeuge schnell identifizieren, doch einige Herausforderungen können die Genauigkeit beeinträchtigen. Hier sind einige häufige Probleme, die sich auf die Leistung eines ANPR-Systems auswirken können:

• Schlechte Lichtverhältnisse und ungünstige Wetterbedingungen: Nachts und bei schlechtem Wetter sind Kennzeichen schwerer zu lesen. Nebel, Regen und blendendes Scheinwerferlicht können den Text verwischen und unleserlich machen.
• Verwischte oder verdeckte Kennzeichen: Ein schnell fahrendes Auto kann auf dem Bild verwischt erscheinen, besonders wenn die Verschlusszeit der Kamera zu lang ist. Schmutz, Kratzer oder teilweise verdeckte Kennzeichen können ebenfalls zu Erkennungsproblemen führen. Hochwertige Kameras mit passenden Einstellungen liefern klarere Ergebnisse.
• Unterschiedliche Kennzeichendesigns: Nicht alle Kennzeichen sehen gleich aus. Ausgefallene Schriftarten, zusätzlicher Text oder Logos können das System verwirren.
• Datenschutzrisiken und Datensicherheit: Fahrzeugdaten müssen sicher gespeichert werden. Geeignete Sicherheitsmaßnahmen können unbefugten Zugriff verhindern und die Informationen schützen. Mit den richtigen Schutzvorkehrungen sind ANPR-Systeme sicher und zuverlässig.

So verbessert Ultralytics YOLO11 ANPR-Systeme#

Ultralytics YOLO11 kann ANPR-Systeme schneller und präziser machen. Das Modell verarbeitet Bilder schnell und arbeitet dabei präzise. Außerdem benötigt es keine hohe Rechenleistung und eignet sich daher für unterschiedlichste Anwendungen – von kleinen Sicherheitskameras bis hin zu großen Verkehrssystemen.

Durch Training mit eigenen Daten lässt sich Ultralytics YOLO11 an unterschiedliche Kennzeichenstile, Sprachen und Umgebungen anpassen. Öffentliche Datasets wie Car License Plate auf der Ultralytics Platform bieten einen guten Einstieg. Wird das Modell mit spezialisierten Datasets trainiert, die Bilder solcher Situationen enthalten, liefert es auch unter schwierigen Bedingungen wie schwachem Licht, Bewegungsunschärfe und ungünstigen Blickwinkeln gute Ergebnisse.

Indem Ultralytics YOLO11 Fahrzeuge sofort erkennt, hilft das Modell, Wartezeiten zu verkürzen, Fehler zu vermeiden und die Sicherheit zu verbessern. So läuft der Verkehr reibungsloser und der Betrieb auf Parkplätzen, an Mautstellen und in Überwachungssystemen wird effizienter.

Ein ANPR-System mit Ultralytics YOLO11 und GPT-4o Mini entwickeln#

Als Nächstes zeigen wir dir, wie du mit Ultralytics YOLO11 und GPT-4o Mini ein ANPR-System entwickelst.

Wir sehen uns den Code aus dem Ultralytics-Google-Colab-Notebook für diese Lösung an. Das Google-Colab-Notebook ist einfach zu verwenden und ermöglicht es allen, ohne komplizierte Einrichtung ein ANPR-System zu erstellen.

Schritt 1: Umgebung einrichten#

Zunächst müssen wir die Abhängigkeiten installieren, also die unverzichtbaren Softwarepakete und Bibliotheken, die unser ANPR-System benötigt. Sie unterstützen Aufgaben wie Objekterkennung, Bildverarbeitung und Texterkennung und sorgen dafür, dass das System effizient arbeitet.

Wie unten gezeigt, installieren wir das Ultralytics-Python-Paket. Es enthält vortrainierte Modelle, Hilfsprogramme für das Training und Werkzeuge für Inferenzen. Damit lassen sich Kennzeichen mit YOLO11 leichter erkennen und auslesen.

Abb. 2. Installation des Ultralytics-Python-Pakets.

Außerdem müssen wir GPT-4o Mini für die Texterkennung einrichten. Da GPT-4o Mini den Text aus erkannten Kennzeichen extrahiert, benötigen wir einen API-Schlüssel, um auf das Modell zuzugreifen. Diesen Schlüssel erhältst du, indem du dich für die OpenAI API registrierst. Sobald du den Schlüssel hast, kannst du ihn dem Colab-Notebook hinzufügen, damit das System eine Verbindung zum Modell herstellen und Kennzeichen auslesen kann.

Nach Abschluss der Einrichtung und Ausführung des Installationscodes ist Ultralytics YOLO11 bereit, Kennzeichen zu erkennen. GPT-4o Mini kann dann den Text aus den Kennzeichen auslesen.

Schritt 2: Das speziell trainierte Modell herunterladen#

Nachdem alles eingerichtet ist, laden wir als Nächstes das speziell für die Kennzeichenerkennung trainierte Ultralytics-YOLO11-Modell herunter. Da das Modell bereits auf die Erkennung von Kennzeichen trainiert wurde, musst du es nicht von Grund auf neu trainieren. Lade es einfach herunter und schon kannst du es verwenden. Das spart Zeit und vereinfacht den Ablauf erheblich.

Außerdem laden wir eine Beispielvideodatei herunter, um das System zu testen. Du kannst die Lösung auch mit deinen eigenen Videodateien ausführen. Nach dem Herunterladen werden das Modell und die Videodateien in der Notebook-Umgebung gespeichert.

Abb. 3. Herunterladen des Modells und der Videodatei.

Schritt 3: Das Video laden und mit der Erkennung beginnen#

Sobald das Modell bereit ist, kannst du es in Aktion sehen. Zuerst wird die Videodatei zur Verarbeitung geladen und geprüft, ob sie korrekt geöffnet wird. Anschließend wird ein Videoschreiber eingerichtet, der das verarbeitete Material mit den erkannten Kennzeichen speichert und dabei die ursprüngliche Größe und Bildrate beibehält. Zum Schluss wird das Modell geladen, um die Kennzeichen in jedem Einzelbild des Videos zu erkennen.

Abb. 4. Video lesen und Modell laden.

Sobald das Modell geladen ist, analysiert das System jedes Videobild, um Kennzeichen zu erkennen. Wird ein Kennzeichen gefunden, hebt das System es mit einem Begrenzungsrahmen hervor, sodass es leicht zu erkennen ist. Dadurch werden nur die relevanten Details erfasst und unnötige Hintergrundinformationen ausgeblendet. Nachdem die Kennzeichen erfolgreich erkannt wurden, ist das Video bereit für den nächsten Schritt.

Schritt 4: Text aus Kennzeichen auslesen#

Nach der Erkennung eines Kennzeichens folgt die Texterkennung, auch als optische Zeichenerkennung (OCR) bekannt. Zunächst schneidet das System das Kennzeichen aus dem Videobild aus und entfernt Ablenkungen, damit es klar zu sehen ist. So kann es sich auf die Details konzentrieren und auch unter schwierigen Bedingungen wie schwachem Licht oder Bewegungsunschärfe genauer arbeiten.

Sobald das Kennzeichen isoliert ist, analysiert GPT-4o Mini das Bild, extrahiert Zahlen und Buchstaben und wandelt sie in lesbaren Text um. Anschließend wird der erkannte Text wieder in das Video eingefügt, sodass jedes erkannte Kennzeichen in Echtzeit beschriftet wird.

Nach Abschluss dieser Schritte ist das ANPR-System voll funktionsfähig und kann Kennzeichen mühelos erkennen.

Schritt 5: Verarbeitetes Video speichern#

Im letzten Schritt wird das verarbeitete Video gespeichert und werden temporäre Dateien bereinigt, damit alles reibungslos läuft.

Jedes verarbeitete Bild mit den erkannten Kennzeichen und dem erkannten Text wird in das endgültige Ausgabevideo geschrieben. Nachdem alle Bilder verarbeitet wurden, schließt das System die Videodatei, aus der es gelesen hat, und gibt dadurch Speicher und Systemressourcen frei. Außerdem schließt es die Verarbeitung ab und speichert das Ausgabevideo, sodass es für die Wiedergabe oder weitere Analysen bereitsteht.

Abb. 5. ANPR mit YOLO11 und GPT-4o Mini.

Ein ANPR-System bereitstellen#

Nach dem Aufbau und Testen einer ANPR-Lösung folgt die Bereitstellung in einer realen Umgebung. Viele Vision-KI-Modelle benötigen leistungsstarke Rechenressourcen, doch Ultralytics YOLO11 ist für Edge-KI optimiert. Das Modell läuft effizient auf kleinen Geräten, ohne Cloud-Verarbeitung oder eine ständige Internetverbindung zu benötigen. Damit eignet es sich besonders für Standorte mit begrenzten Ressourcen.

So kann beispielsweise eine Wohnanlage mit Zugangsschranke Ultralytics YOLO11 auf einem Edge-Gerät einsetzen, um Fahrzeuge bei der Einfahrt zu erkennen. Große Server sind dafür nicht nötig. Die gesamte Verarbeitung erfolgt in Echtzeit vor Ort und sorgt für reibungslosen Zugang, weniger Staus und mehr Sicherheit.

Abb. 6. Kennzeichenerkennung mit YOLO11.

In Gebieten mit stabiler Internetverbindung kann ein cloudbasiertes ANPR-System dagegen mehrere Kameras gleichzeitig verarbeiten. In einem Einkaufszentrum kann es beispielsweise Fahrzeuge an verschiedenen Eingängen verfolgen und Kennzeichen in einem zentralen System speichern. So lassen sich Parkplätze leichter überwachen, die Sicherheit verbessern und der Fahrzeugverkehr aus der Ferne steuern.

Die Zukunft von ANPR#

Mit Ultralytics YOLO11 lässt sich ein automatisches Kennzeichenerkennungssystem (ANPR) einfach einrichten. Das Modell erkennt Kennzeichen präzise und kann mit eigenen Daten trainiert werden, um sich an unterschiedliche Umgebungen und Anforderungen anzupassen.

ANPR-Systeme erhöhen die Sicherheit, vereinfachen die Parkplatzverwaltung und verbessern die Verkehrsüberwachung. Durch die automatisierte Kennzeichenerkennung verringern sie Fehler, beschleunigen die Identifizierung und machen die Verfolgung von Fahrzeugen in verschiedenen Anwendungsbereichen effizienter.

Werde Teil unserer Community und besuche unser GitHub-Repository, um KI in der Praxis zu erleben. Informiere dich über unsere Lizenzoptionen und erfahre auf unseren Lösungsseiten mehr über KI für Bildverarbeitung in der Fertigung und KI in selbstfahrenden Autos.