Erstelle ein ANPR-System mit Ultralytics YOLO11 und GPT-4o Mini
Erfahre, wie du mit Ultralytics YOLO11 ein ANPR-System zur Kennzeichenerkennung und mit GPT-4o Mini zur Texterkennung mit Genauigkeit in Echtzeit erstellst.
Einen Parkplatz auf einem überfüllten Parkplatz zu finden, in langen Mautstellenschlangen zu warten oder an Sicherheitskontrollen festzustecken, ist frustrierend. Manuelle Fahrzeugkontrollen dauern oft zu lange und führen zu Verzögerungen. Ohne ein automatisiertes System kann es schwierig sein, Fahrzeuge effizient zu verfolgen.
Computer Vision hat dies verändert, indem die Kennzeichenerkennung aus Bildern und Videostreams in Echtzeit ermöglicht wird. Ultralytics YOLO11 ist beispielsweise ein fortschrittliches Computer-Vision-Modell, das anspruchsvolle KI-Aufgaben im Bereich der visuellen Verarbeitung wie Objekterkennung, Klassifizierung und Verfolgung ausführen kann. Mit den Objekterkennungsfunktionen von YOLO11 kannst du Fahrzeugkennzeichen in Bildern präzise erkennen.
Ultralytics bietet umfassende Google-Colab-Notebooks, die das Erstellen von Lösungen mit visueller KI vereinfachen. Diese Notebooks sind mit wichtigen Abhängigkeiten, Modellen und Schritt-für-Schritt-Anleitungen vorkonfiguriert und erleichtern so die Entwicklung von Anwendungen. Insbesondere gibt es ein eigenes Colab-Notebook für ANPR (automatische Kennzeichenerkennung).
In diesem Artikel sehen wir uns anhand des Ultralytics-Colab-Notebooks für ANPR an, wie du mit Ultralytics YOLO11 zur Kennzeichenerkennung und GPT-4o Mini zur Texterkennung eine ANPR-Lösung entwickeln kannst.
ANPR verstehen#
Fahrzeuge manuell zu verfolgen, kostet viel Zeit und ist fehleranfällig, besonders wenn sie sich schnell bewegen. Jedes Kennzeichen einzeln zu prüfen, verlangsamt den Prozess und erhöht das Fehlerrisiko. Die automatische Kennzeichenerkennung löst dieses Problem, indem sie Computer Vision verwendet, um Kennzeichen sofort zu erkennen und auszulesen, wodurch Verkehrsüberwachung und Sicherheit effizienter werden.
ANPR-Systeme können Bilder oder Videos vorbeifahrender Fahrzeuge aufnehmen und die Kennzeichen mithilfe der Objekterkennung in Echtzeit identifizieren. Nach der Erkennung wird die Texterkennung verwendet, um die Kennzeichennummern automatisch und ohne menschliches Eingreifen auszulesen. Dieser Prozess gewährleistet präzise Ergebnisse, selbst wenn sich Fahrzeuge schnell bewegen oder Kennzeichen teilweise verdeckt sind.
Abb. 1. Beispiel für die Erkennung eines Kennzeichens mit Ultralytics YOLO11.
Heutzutage setzen Mautstellen, Parksysteme und Strafverfolgungsbehörden zunehmend auf ANPR, um Fahrzeuge effizient zu verfolgen.
Herausforderungen bei der ANPR-Technologie#
Obwohl ANPR Fahrzeuge schnell identifiziert, gibt es weiterhin einige Herausforderungen, die die Genauigkeit beeinträchtigen können. Hier sind einige häufige Probleme, die sich auf die Leistungsfähigkeit eines ANPR-Systems auswirken können:
- Schlechte Lichtverhältnisse und schlechtes Wetter: Nachts und bei schlechtem Wetter sind Kennzeichen schwerer zu lesen. Nebel, Regen und der Blendefekt eines Scheinwerfers können den Text verwischen und unlesbar machen.
- Verwischte oder verdeckte Kennzeichen: Ein sich schnell bewegendes Fahrzeug kann ein unscharfes Bild hinterlassen, besonders wenn die Verschlusszeit der Kamera zu lang ist. Schmutz, Kratzer oder teilweise verdeckte Kennzeichen können ebenfalls zu Erkennungsproblemen führen. Hochwertige Kameras mit den richtigen Einstellungen liefern klarere Ergebnisse.
- Uneinheitliche Kennzeichengestaltung: Nicht alle Kennzeichen sehen gleich aus. Manche enthalten ausgefallene Schriftarten, zusätzlichen Text oder Logos, die das System verwirren.
- Datenschutzrisiken und Datensicherheit: Fahrzeugdaten müssen sicher gespeichert werden. Geeignete Sicherheitsmaßnahmen können unbefugten Zugriff verhindern und die Informationen schützen. Mit geeigneten Schutzvorkehrungen können ANPR-Systeme sowohl sicher als auch zuverlässig sein.
Wie Ultralytics YOLO11 ANPR-Systeme verbessert#
Ultralytics YOLO11 kann ANPR-Systeme schneller und genauer machen. Das Modell verarbeitet Bilder schnell und behält dabei seine Präzision bei. Außerdem benötigt es keine hohe Rechenleistung und funktioniert daher sowohl auf kleinen Sicherheitskameras als auch in großen Verkehrssystemen gut.
Durch benutzerdefiniertes Training kann Ultralytics YOLO11 an unterschiedliche Kennzeichenstile, Sprachen und Umgebungen angepasst werden. Bei einem benutzerdefinierten Training mit spezialisierten Datensätzen, die Bilder dieser Bedingungen enthalten, erzielt das Modell auch bei schwierigen Bedingungen wie schlechten Lichtverhältnissen, Bewegungsunschärfe und ungünstigen Winkeln gute Ergebnisse.
Durch die sofortige Identifizierung von Fahrzeugen hilft Ultralytics YOLO11, Wartezeiten zu verkürzen, Fehler zu vermeiden und die Sicherheit zu verbessern. Dadurch werden Verkehrsabläufe reibungsloser und Prozesse auf Parkplätzen, an Mautstellen und in Überwachungssystemen effizienter.
Ein ANPR-System mit Ultralytics YOLO11 und GPT-4o Mini entwickeln#
Als Nächstes zeigen wir dir Schritt für Schritt, wie du ein ANPR-System mit Ultralytics YOLO11 und GPT-4o Mini entwickelst.
Wir sehen uns den Code an, der im Ultralytics-Google-Colab-Notebook für diese Lösung vorgestellt wird. Das Google-Colab-Notebook ist einfach zu verwenden, sodass jeder ein ANPR-System ohne komplizierte Einrichtung erstellen kann.
Schritt 1: Umgebung einrichten#
Zu Beginn müssen wir die Abhängigkeiten installieren, also die grundlegenden Softwarepakete und Bibliotheken, die zum Ausführen unseres ANPR-Systems erforderlich sind. Diese Abhängigkeiten unterstützen Aufgaben wie Objekterkennung, Bildverarbeitung und Texterkennung und stellen sicher, dass das System effizient funktioniert.
Wir installieren das Ultralytics-Python-Paket wie unten gezeigt. Dieses Paket stellt vortrainierte Modelle, Dienstprogramme für das Training und Werkzeuge für die Inferenz bereit und erleichtert so die Erkennung und das Auslesen von Kennzeichen mit YOLO11.
Abb. 2. Installation des Ultralytics-Python-Pakets.
Außerdem müssen wir GPT-4o Mini für die Texterkennung einrichten. Da GPT-4o Mini dafür zuständig ist, Text aus erkannten Kennzeichen auszulesen, benötigen wir einen API-Schlüssel, um auf das Modell zuzugreifen. Diesen Schlüssel erhältst du, indem du dich für die GPT-4o-Mini-API registrierst. Sobald du den Schlüssel hast, kannst du ihn dem Colab-Notebook hinzufügen, damit das System eine Verbindung zum Modell herstellen und Kennzeichennummern verarbeiten kann.
Nach Abschluss der Einrichtung und Ausführung des Installationscodes ist Ultralytics YOLO11 bereit, Kennzeichen zu erkennen, und GPT-4o Mini ist für deren Erkennung und Textextraktion eingerichtet.
Schritt 2: Das benutzerdefiniert trainierte Modell herunterladen#
Nachdem alles eingerichtet ist, besteht der nächste Schritt darin, das benutzerdefiniert trainierte Ultralytics-YOLO11-Modell zur Kennzeichenerkennung herunterzuladen. Da dieses Modell bereits für die Erkennung von Kennzeichen trainiert wurde, musst du es nicht von Grund auf trainieren. Du kannst es einfach herunterladen und sofort verwenden. Das spart Zeit und vereinfacht den Prozess erheblich.
Außerdem laden wir eine Beispielvideodatei herunter, um das System zu testen. Wenn du möchtest, kannst du diese 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 die Erkennung starten#
Sobald das Modell bereit ist, kannst du es in Aktion sehen. Zuerst wird die Videodatei zur Verarbeitung geladen, wobei sichergestellt wird, dass 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. Schließlich wird das Modell geladen, um in jedem Videobild Kennzeichen zu erkennen.
Abb. 4. Video einlesen und Modell laden.
Sobald das Modell geladen ist, beginnt das System mit der Analyse jedes Videobilds, um Kennzeichen zu erkennen. Wenn ein Kennzeichen gefunden wird, hebt das System es mit einer Erkennungsbox hervor, sodass es leicht zu identifizieren ist. Dieser Schritt stellt sicher, dass nur die relevanten Details erfasst und unnötige Hintergrundinformationen herausgefiltert werden. Nachdem die Kennzeichen erfolgreich erkannt wurden, ist das Video für die nächste Phase bereit.
Schritt 4: Text aus Kennzeichen auslesen#
Nach der Erkennung eines Kennzeichens folgt die Texterkennung. Das System schneidet das Kennzeichen zunächst aus dem Videobild aus und entfernt störende Elemente, damit es klar sichtbar ist. Dadurch richtet sich der Fokus auf die relevanten Details, was die Genauigkeit auch unter schwierigen Bedingungen wie schlechten Lichtverhältnissen oder Bewegungsunschärfe verbessert.
Sobald das Kennzeichen isoliert ist, analysiert GPT-4o Mini das Bild, extrahiert Zahlen und Buchstaben und wandelt sie in lesbaren Text um. Der erkannte Text wird anschließend wieder zum Video hinzugefügt, um jedes erkannte Kennzeichen in Echtzeit zu beschriften.
Nach diesen Schritten ist das ANPR-System vollständig funktionsfähig und bereit, Kennzeichen problemlos zu erkennen.
Schritt 5: Das verarbeitete Video speichern#
Im letzten Schritt wird das verarbeitete Video gespeichert und es werden temporäre Dateien bereinigt, damit alles reibungslos funktioniert.
Jedes verarbeitete Bild mit erkannten Kennzeichen und ausgelesenem Text wird in das endgültige Ausgabevideo geschrieben. Sobald alle Bilder verarbeitet wurden, schließt das System die Videodatei, aus der es gelesen hat, und gibt Speicher sowie Systemressourcen frei. Außerdem wird das Ausgabevideo fertiggestellt und gespeichert, sodass es zur Wiedergabe oder weiteren Analyse bereitsteht.
Abb. 5. YOLO11 und GPT-4o Mini für ANPR verwenden.
Ein ANPR-System bereitstellen#
Nach der Entwicklung und Erprobung einer ANPR-Lösung besteht der nächste Schritt darin, sie in einer realen Umgebung bereitzustellen. Die meisten Modelle für visuelle KI benötigen Hochleistungsrechner, aber Ultralytics YOLO11 ist für Edge AI optimiert. Das Modell kann effizient auf kleinen Geräten ausgeführt werden, ohne Cloud-Verarbeitung oder eine ständige Internetverbindung zu benötigen. Damit eignet es sich besonders für Standorte mit begrenzten Ressourcen.
Beispielsweise kann eine umzäunte Wohnanlage Ultralytics YOLO11 auf einem Edge-Gerät bereitstellen, um Fahrzeuge bei der Einfahrt zu identifizieren, sodass keine großen Server erforderlich sind. Alles wird vor Ort in Echtzeit verarbeitet. Das gewährleistet einen reibungslosen Zugang, weniger Verkehrsstaus und mehr Sicherheit.
Abb. 6. Kennzeichenerkennung mit YOLO11.
In Gegenden mit stabiler Internetverbindung kann cloudbasiertes ANPR hingegen mehrere Kameras gleichzeitig verarbeiten. In einem Einkaufszentrum kann das System beispielsweise Fahrzeuge an verschiedenen Eingängen verfolgen und Kennzeichennummern in einem zentralen System speichern. Dadurch lassen sich Parkplätze leichter überwachen, die Sicherheit verbessern und Fahrzeugbewegungen aus der Ferne verwalten.
Die Zukunft von ANPR#
Mit Ultralytics YOLO11 lässt sich ein System zur automatischen Kennzeichenerkennung (ANPR) einfach einrichten. Es erkennt Kennzeichen präzise und kann benutzerdefiniert trainiert werden, um sich an unterschiedliche Umgebungen und Anforderungen anzupassen.
ANPR-Systeme erhöhen die Sicherheit, vereinfachen die Parkplatzverwaltung und verbessern die Verkehrsüberwachung. Durch die Automatisierung der Kennzeichenerkennung verringern sie Fehler, beschleunigen die Identifizierung und machen die Fahrzeugverfolgung in verschiedensten Anwendungsbereichen effizienter.
Tritt unserer Community bei und besuche unser GitHub-Repository, um KI in Aktion zu erleben. Entdecke unsere Lizenzoptionen und erfahre auf unseren Lösungsseiten mehr über visuelle KI in der Fertigung und KI in selbstfahrenden Autos.
