Baue ein ANPR-System mit Ultralytics YOLO11 und GPT-4o Mini

Die Parkplatzsuche in einem vollen Parkhaus, langes Warten an Mautstationen oder das Steckenbleiben an Sicherheitskontrollen sind frustrierend. Manuelle Fahrzeugkontrollen dauern oft zu lange und verursachen Verzögerungen. Ohne ein automatisiertes System kann die effiziente Nachverfolgung von Fahrzeugen eine Herausforderung sein.

Computer Vision hat dies verändert, indem es die Echtzeit-Kennzeichenerkennung aus Bildern und Videostreams ermöglicht. Zum Beispiel ist Ultralytics YOLO11 ein fortschrittliches Computer-Vision-Modell, das komplexe Vision-AI-Aufgaben wie Objekterkennung, Klassifizierung und Tracking durchführen kann. Mithilfe der Objekterkennungsfunktionen von YOLO11 kannst du Fahrzeugkennzeichen in Bildern präzise erkennen.

Ultralytics bietet umfassende Google Colab Notebooks, die den Prozess der Entwicklung von Vision AI-gestützten Lösungen vereinfachen. Diese Notebooks sind vorkonfiguriert mit wesentlichen Abhängigkeiten, Modellen und Schritt-für-Schritt-Anleitungen, was die Erstellung von Anwendungen erleichtert. Insbesondere gibt es ein spezielles Colab Notebook für ANPR (Automatische Nummernschilderkennung).

In diesem Artikel werden wir anhand des Ultralytics Colab Notebooks für ANPR untersuchen, wie man eine ANPR-Lösung mit Ultralytics YOLO11 zur Kennzeichenerkennung und GPT-4o Mini zur Texterkennung aufbaut.

Link to this sectionGrundlagen zu ANPR#

Die manuelle Verfolgung von Fahrzeugen ist zeitaufwendig und fehleranfällig, besonders wenn sie sich schnell bewegen. Das Überprüfen jedes Nummernschilds einzeln verlangsamt den Prozess und erhöht das Fehlerrisiko. Die Automatische Nummernschilderkennung löst dieses Problem durch den Einsatz von Computer Vision zur sofortigen Erkennung und zum Lesen von Kennzeichen, was die Verkehrsüberwachung und Sicherheit effizienter macht.

ANPR-Systeme können Bilder oder Videos von vorbeifahrenden Fahrzeugen erfassen und Echtzeit-Objekterkennung verwenden, um Kennzeichen zu identifizieren. Sobald diese erkannt wurden, kommt die Texterkennung zum Einsatz, um die Kennzeichennummern automatisch und ohne menschliches Eingreifen zu extrahieren. Dieser Prozess stellt genaue Ergebnisse sicher, selbst wenn sich Fahrzeuge schnell bewegen oder Schilder teilweise verdeckt sind.

Abb. 1. Ein Beispiel für die Verwendung von YOLO11 zur Erkennung eines Kennzeichens.

Heutzutage verlassen sich Mautstationen, Parksysteme und Strafverfolgungsbehörden zunehmend auf ANPR, um Fahrzeuge effizient zu verfolgen.

Link to this sectionHerausforderungen im Zusammenhang mit der ANPR-Technologie#

Obwohl ANPR Fahrzeuge schnell identifiziert, gibt es dennoch einige Herausforderungen, die die Genauigkeit beeinflussen können. Hier sind einige häufige Probleme, die die Leistung eines ANPR-Systems beeinträchtigen können:

• Schwaches Licht und schlechtes Wetter: Kennzeichen sind nachts und bei schlechtem Wetter schwerer zu lesen. Nebel, Regen und Blendungen durch Scheinwerfer können den Text verschwimmen lassen und ihn unleserlich machen.
• Verschwommene oder blockierte Schilder: Ein sich schnell bewegendes Auto kann ein verschwommenes Bild erzeugen, besonders wenn die Verschlusszeit der Kamera zu langsam ist. Schmutz, Kratzer oder abgedeckte Teile des Schilds können ebenfalls Erkennungsprobleme verursachen. Die Verwendung hochwertiger Kameras mit den richtigen Einstellungen hilft dabei, klarere Ergebnisse zu erzielen.
• Inkonsistente Schilddesigns: Nicht alle Kennzeichen sehen gleich aus. Manche haben ausgefallene Schriftarten, zusätzlichen Text oder Logos, die das System verwirren können.
• Datenschutzrisiken und Datensicherheit: Die sichere Speicherung von Fahrzeugdaten ist wichtig. Die richtigen Sicherheitsmaßnahmen können unbefugten Zugriff verhindern und Informationen schützen. Mit geeigneten Schutzmaßnahmen können ANPR-Systeme sowohl sicher als auch zuverlässig sein.

Link to this sectionWie YOLO11 ANPR-Systeme verbessert#

Ultralytics YOLO11 kann ANPR-Systeme schneller und genauer machen. Es verarbeitet Bilder schnell bei gleichbleibender Präzision und benötigt keine hohe Rechenleistung, weshalb es gut auf allen Geräten funktioniert – von kleinen Sicherheitskameras bis hin zu großen Verkehrssystemen.

Mit benutzerdefiniertem Training kann YOLO11 an verschiedene Kennzeichenstile, Sprachen und Umgebungen angepasst werden. Es leistet zudem gute Arbeit unter schwierigen Bedingungen wie schlechtem Licht, Bewegungsunschärfe und schwierigen Winkeln, wenn es auf speziellen Datensätzen trainiert wird, die Bilder unter diesen Bedingungen enthalten.

Durch die sofortige Identifizierung von Fahrzeugen hilft YOLO11 dabei, Wartezeiten zu reduzieren, Fehler zu vermeiden und die Sicherheit zu erhöhen. Dies sorgt für einen reibungsloseren Verkehrsfluss und effizientere Abläufe auf Parkplätzen, an Mautstellen und in Überwachungssystemen.

Link to this sectionAufbau eines ANPR-Systems mit YOLO11 und GPT-4o Mini#

Gehen wir als Nächstes durch, wie man ein ANPR-System mit YOLO11 und GPT-4o Mini baut.

Wir werden den Code untersuchen, der im Ultralytics Google Colab Notebook für diese Lösung präsentiert wird. Das Google Colab Notebook ist einfach zu bedienen und jeder kann ein ANPR-System erstellen, ohne eine komplizierte Einrichtung zu benötigen.

Link to this sectionSchritt 1: Einrichtung der Umgebung#

Zuerst müssen wir unsere Abhängigkeiten installieren, also 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, Training-Hilfsprogramme und Inferenz-Tools, was es einfacher macht, Kennzeichen mit YOLO11 zu erkennen.

Abb. 2. Installation des Ultralytics Python-Pakets.

Wir müssen auch GPT-4o Mini für die Texterkennung einrichten. Da GPT-4o Mini für das Extrahieren von Text aus den erkannten Kennzeichen verantwortlich ist, benötigen wir einen API-Schlüssel, um auf das Modell zuzugreifen. Diesen Schlüssel erhältst du, indem du dich für die GPT-4o Mini API anmeldest. Sobald du den Schlüssel hast, kann er dem Colab Notebook hinzugefügt werden, damit das System eine Verbindung zum Modell herstellen und Kennzeichennummern verarbeiten kann.

Nach Abschluss der Einrichtung und Ausführung des Installationscodes ist YOLO11 bereit, Kennzeichen zu erkennen, und GPT-4o Mini ist konfiguriert, um Text daraus zu erkennen und zu extrahieren.

Link to this sectionSchritt 2: Das benutzerdefinierte Modell herunterladen#

Nachdem alles eingerichtet ist, besteht der nächste Schritt darin, das YOLO11-Modell herunterzuladen, das speziell für die Erkennung von Kennzeichen trainiert wurde. Da dieses Modell bereits auf die Erkennung von Kennzeichen trainiert wurde, ist es nicht notwendig, es von Grund auf neu zu trainieren. Du kannst es einfach herunterladen, und es ist sofort einsatzbereit. Das spart Zeit und macht den Prozess wesentlich einfacher.

Zusätzlich laden wir eine Beispiel-Videodatei herunter, um das System zu testen. Wenn du möchtest, kannst du diese Lösung auch mit deinen eigenen Videodateien ausführen. Nach dem Download werden das Modell und die Videodateien in der Notebook-Umgebung gespeichert.

Abb. 3. Herunterladen des Modells und der Videodatei.

Link to this sectionSchritt 3: Das Video laden und die Erkennung starten#

Sobald das Modell bereit ist, ist es an der Zeit, es in Aktion zu sehen. Zuerst wird die Videodatei zur Verarbeitung geladen, um sicherzustellen, dass sie korrekt geöffnet wird. Ein Video-Writer wird dann eingerichtet, um das verarbeitete Filmmaterial mit den erkannten Kennzeichen zu speichern, wobei die ursprüngliche Größe und Bildrate beibehalten werden. Schließlich wird das Modell geladen, um die Kennzeichen in jedem Frame des Videos zu erkennen.

Abb. 4. Lesen des Videos und Laden des Modells.

Nachdem das Modell geladen wurde, beginnt das System mit der Analyse jedes Videoframes, um Kennzeichen zu erkennen. Wenn ein Schild gefunden wird, hebt das System es mit einem Erkennungsrahmen hervor, was die Identifizierung erleichtert. Dieser Schritt stellt sicher, dass nur die relevanten Details erfasst und unnötige Hintergrundinformationen herausgefiltert werden. Mit den erfolgreich erkannten Schildern ist das Video nun bereit für die nächste Stufe.

Link to this sectionSchritt 4: Text aus Kennzeichen extrahieren#

Nach der Erkennung eines Kennzeichens folgt die Texterkennung. Das System schneidet das Schild zuerst aus dem Videobild aus und entfernt alle Ablenkungen für eine klare Sicht. Dies hilft dabei, sich auf die Details zu konzentrieren und die Genauigkeit auch unter schwierigen Bedingungen wie schwachem Licht oder Bewegungsunschärfe zu verbessern.

Sobald das Schild 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 zurück in das Video eingefügt und jedes erkannte Schild in Echtzeit beschriftet.

Mit diesen abgeschlossenen Schritten ist das ANPR-System voll funktionsfähig und bereit, Nummernschilder mühelos zu erkennen.

Link to this sectionSchritt 5: Das verarbeitete Video speichern#

Der letzte Schritt speichert das verarbeitete Video und bereinigt temporäre Dateien, um einen reibungslosen Ablauf zu gewährleisten.

Jeder verarbeitete Frame mit erkannten Schildern und erkanntem Text wird in das endgültige Ausgabevideo geschrieben. Sobald alle Frames verarbeitet sind, schließt das System die Videodatei, aus der es gelesen hat, wodurch Speicher und Systemressourcen freigegeben werden. Es schließt auch die Speicherung des Ausgabevideos ab, das nun für die Wiedergabe oder weitere Analysen bereitsteht.

Abb. 5. Verwendung von YOLO11 und GPT-4o Mini für ANPR.

Link to this sectionEinsatz eines ANPR-Systems#

Nachdem eine ANPR-Lösung erstellt und getestet wurde, ist der nächste Schritt der Einsatz in einer realen Umgebung. Die meisten Vision AI-Modelle sind von Hochleistungsrechenleistung abhängig, aber Ultralytics YOLO11 ist für Edge AI optimiert. Es kann effizient auf kleinen Geräten laufen, ohne dass Cloud-Verarbeitung oder eine ständige Internetverbindung erforderlich sind, was es zu einer großartigen Wahl für Standorte mit begrenzten Ressourcen macht.

Zum Beispiel kann eine bewachte Wohnanlage YOLO11 auf einem Edge-Gerät einsetzen, um Fahrzeuge bei der Einfahrt zu identifizieren, was die Notwendigkeit großer Server eliminiert. Alles wird vor Ort in Echtzeit verarbeitet, was einen reibungslosen Zugang, reduzierte Staus und verbesserte Sicherheit gewährleistet.

Abb. 6. Kennzeichenerkennung mit YOLO11.

Unterdessen kann in Gebieten mit stabiler Internetverbindung eine Cloud-basierte ANPR-Lösung mehrere Kameras gleichzeitig verwalten. Zum Beispiel kann sie in einem Einkaufszentrum Fahrzeuge an verschiedenen Eingängen nachverfolgen und Kennzeichennummern in einem zentralen System speichern, was die Parkraumüberwachung erleichtert, die Sicherheit verbessert und den Fahrzeugfluss aus der Ferne effizienter verwaltet.

Link to this sectionDie Zukunft von ANPR#

Die Einrichtung eines Systems zur automatischen Nummernschilderkennung (ANPR) ist mit Ultralytics YOLO11 einfach. Es erkennt Kennzeichen präzise und kann individuell trainiert werden, um sich an verschiedene Umgebungen und Anforderungen anzupassen.

ANPR-Systeme erhöhen die Sicherheit, optimieren das Parkraummanagement und verbessern die Verkehrsüberwachung. Durch die Automatisierung der Nummernschilderkennung reduzieren sie Fehler, beschleunigen die Identifizierung und machen die Fahrzeugverfolgung über verschiedene Anwendungen hinweg effizienter.

Tritt unserer Community bei und besuche unser GitHub-Repository, um KI in Aktion zu sehen. Erkunde unsere Lizenzierungsoptionen und entdecke mehr über Vision AI in der Fertigung sowie KI in selbstfahrenden Autos auf unseren Lösungsseiten.