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.
Es ist frustrierend, auf einem überfüllten Parkplatz einen Stellplatz zu finden, in langen Schlangen an Mautstellen zu warten oder an Sicherheitskontrollen aufgehalten zu werden. Manuelle Fahrzeugkontrollen dauern oft zu lange und verursachen Verzögerungen. Ohne ein automatisiertes System kann die effiziente Verfolgung von Fahrzeugen eine Herausforderung darstellen.
Die Computer Vision hat dies geändert, indem sie die Erkennung von Nummernschildern aus Bildern und Videoströmen in Echtzeit ermöglicht. Zum Beispiel, Ultralytics YOLO11 ist ein fortschrittliches Computer-Vision-Modell, das erweiterte Vision AI-Aufgaben wie Objekterkennung, Klassifizierung und Verfolgung durchführen kann. Mit den Objekterkennungsfähigkeiten von YOLO11 können Sie Fahrzeugkennzeichen in Bildern genau detect .
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 detect Nummernschilder sofort detect und liest und so die Verkehrsüberwachung und Sicherheit effizienter macht.
ANPR-Systeme können Bilder oder Videos von vorbeifahrenden Fahrzeugen aufnehmen und die Objekterkennung in Echtzeit nutzen, um Nummernschilder zu identifizieren. Nach der Erkennung wird die Texterkennung verwendet, um die Kennzeichen automatisch zu extrahieren, ohne dass ein menschliches Eingreifen erforderlich ist. Dieser Prozess gewährleistet genaue Ergebnisse, selbst wenn sich Fahrzeuge schnell bewegen oder Kennzeichen teilweise verdeckt sind.
Heutzutage verlassen sich Mautstellen, Parksysteme und Strafverfolgungsbehörden zunehmend auf ANPR, um Fahrzeuge effizient track .
Obwohl ANPR Fahrzeuge schnell identifiziert, gibt es immer noch einige Herausforderungen, die die Genauigkeit beeinträchtigen können. Hier sind einige häufige Probleme, die die Funktionsweise 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 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 sorgen dafür, dass das System effizient arbeitet.
Wir installieren das Python wie unten gezeigt. Dieses Paket bietet vortrainierte Modelle, Trainingsprogramme und Inferenz-Tools, die die detect und Erkennung von Nummernschildern mit YOLO11 erleichtern.
Wir müssen auch GPT-4o Mini für die Texterkennung einrichten. Da GPT-4o Mini für das Extrahieren von Text aus erkannten Kennzeichen verantwortlich ist, benötigen wir einen API-Schlüssel, um auf das Modell zuzugreifen. Dieser Schlüssel kann durch die Anmeldung für die GPT-4o Mini API erhalten werden. Sobald Sie den Schlüssel haben, kann er dem Colab-Notebook hinzugefügt werden, damit sich das System mit dem Modell verbinden und Kennzeichen verarbeiten kann.
Nach Abschluss des Setups und dem Ausführen des Installationscodes ist YOLO11 bereit, Nummernschilder detect , und GPT-4o Mini ist so eingerichtet, dass es den Text erkennen und auslesen kann.
Nachdem nun alles eingerichtet ist, wird als Nächstes das YOLO11 heruntergeladen, das speziell für die detect Nummernschildern trainiert wurde. Da dieses Modell bereits für die detect 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 Beispielvideodatei herunter, um das System zu testen. Wenn Sie möchten, können Sie diese Lösung auch mit Ihren eigenen Videodateien ausführen. Nach dem Herunterladen werden das Modell und die 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 detect .
Sobald das Modell geladen ist, beginnt das System mit der Analyse jedes Einzelbildes des Videos, um Nummernschilder detect . 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.
Nachdem ein Nummernschild erkannt wurde, ist der nächste Schritt die Texterkennung. Das System schneidet zuerst das Schild aus dem Videobild aus, wodurch Ablenkungen für eine klare Sicht entfernt werden. Dies hilft, sich auf die Details zu konzentrieren und die Genauigkeit auch unter schwierigen Bedingungen wie schlechten Lichtverhältnissen oder Bewegungsunschärfe zu verbessern.
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 kennzeichnet jede erkannte Platte in Echtzeit.
Nachdem diese Schritte abgeschlossen sind, ist das ANPR-System voll funktionsfähig und bereit, Nummernschilder mühelos zu erkennen.
Der letzte Schritt speichert das verarbeitete Video und bereinigt temporäre Dateien, um einen reibungslosen Ablauf zu gewährleisten.
Jedes verarbeitete Frame mit erkannten Kennzeichen und erkanntem Text wird in das endgültige Ausgabevideo geschrieben. Sobald alle Frames verarbeitet wurden, schließt das System die Videodatei, aus der es gelesen hat, wodurch Speicher und Systemressourcen freigegeben werden. Außerdem wird das Ausgabevideo fertiggestellt und gespeichert, sodass 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 track 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 verbessern die Sicherheit, rationalisieren das Parkraummanagement und verbessern die Verkehrsüberwachung. Durch die Automatisierung der Kennzeichenerkennung reduzieren sie Fehler, beschleunigen die Identifizierung und machen die Fahrzeugverfolgung in verschiedenen Anwendungen effizienter.
Treten Sie unserer Community bei und besuchen Sie unser GitHub-Repository, um KI in Aktion zu sehen. Entdecken Sie unsere Lizenzoptionen und erfahren Sie mehr über Vision AI in der Fertigung und KI in selbstfahrenden Autos auf unseren Lösungsseiten.
