Verwendung von Ultralytics YOLO11 zur automatischen Kennzeichenerkennung

Mit der zunehmenden AI adoption werden Innovationen, die auf automatischer Kennzeichenerkennung (ANPR) basieren, immer häufiger. ANPR-Systeme nutzen computer vision, um Fahrzeugkennzeichen automatisch zu lesen sowie zu identifizieren und zu verfolgen. Kürzlich haben advancements in AI es möglich gemacht, solche Systeme schnell in unseren daily lives zu integrieren. Tatsächlich hast du ANPR systems vielleicht schon an Mautstationen oder bei Polizeikontrollen für speeding vehicles gesehen.

Die Number plate recognition wird immer wichtiger, und es wird erwartet, dass der global ANPR system market bis 2027 ein Volumen von 4,8 Milliarden Dollar erreicht. Ein Faktor für dieses Wachstum sind die Vorteile, die ANPR für Anwendungen wie traffic management und security bietet.

Um die besten Ergebnisse aus ANPR-Anwendungen zu erzielen, ist es wichtig, die AI techniques hinter diesen Lösungen zu verstehen. Zum Beispiel ist object detection, eine computer vision task, unerlässlich, um Fahrzeuge genau zu erkennen und zu verfolgen, und genau hier kommen computer vision models wie Ultralytics YOLO11 ins Spiel. In diesem Artikel schauen wir uns an, wie ANPR funktioniert und wie insbesondere YOLO11 ANPR-solutions verbessern kann.

Fig 1. Verwendung von Ultralytics YOLO-Modellen für ANPR.

So funktioniert die automatische Nummernschilderkennung#

Die automatische Nummernschilderkennung umfasst einige wichtige Schritte, um Fahrzeugkennzeichen schnell und genau zu identifizieren. Schauen wir uns an, wie diese Schritte ineinandergreifen, um den Prozess effizient zu gestalten:

• Image Capture: Zuerst werden Kameras verwendet, um Bilder von Fahrzeugen aufzunehmen. Diese Kameras können an festen Orten wie Mautstationen installiert oder für Mobilität an Polizeifahrzeugen angebracht werden.
• Number Plate Detection: Danach werden object detection models wie YOLO11 verwendet, um das Kennzeichen im Bild zu finden.
• Optical Character Recognition (OCR): Als Nächstes wird OCR verwendet, um die Zeichen auf dem Kennzeichen (im Bild) zu lesen und sie in maschinenlesbaren Text umzuwandeln.
• Datenbankabfrage: Die Textdaten werden anschließend gegen eine Datenbank geprüft, um die Informationen des Nummernschilds zu bestätigen.

Fig 2. Ein Beispiel für die Verwendung von Ultralytics YOLO-Modellen zur Kennzeichenerkennung.

ANPR-Systeme können oft vor Herausforderungen wie schlechten Lichtverhältnissen, verschiedenen Kennzeichendesigns und tough environmental conditions stehen. YOLO11 kann helfen, diese Probleme zu bewältigen, indem es die Erkennungsgenauigkeit und -geschwindigkeit auch unter schwierigen Bedingungen erhöht. Mit models like YOLO11 kann ANPR zuverlässiger arbeiten, was es einfacher macht, Kennzeichen in Echtzeit zu identifizieren – egal ob Tag oder Nacht oder bei schlechtem Wetter. Im nächsten Abschnitt sehen wir uns genauer an, how you can use YOLO11, um diese Verbesserungen zu erzielen.

Wie YOLO11 ein ANPR-System verbessern kann#

Ultralytics YOLO11 wurde erstmals auf Ultralytics’ annual hybrid event, YOLO Vision 2024 (YV24), vorgestellt. Als ein object detection-Modell, das Echtzeitanwendungen unterstützt, ist YOLO11 eine großartige Option zur Verbesserung von Innovationen wie ANPR-Systemen. YOLO11 eignet sich auch für edge AI-Anwendungen. Dies ermöglicht es in YOLO11 integrierten ANPR-Lösungen, selbst dann effektiv zu arbeiten, wenn eine Netzwerkverbindung unzuverlässig ist. Infolgedessen können ANPR-Systeme an abgelegenen Orten oder in Bereichen mit eingeschränkter Verbindung reibungslos funktionieren.

YOLO11 bringt im Vergleich zu seinen Vorgängern auch Effizienzverbesserungen mit sich. Beispielsweise erreicht YOLO11m eine höhere mean average precision (mAP) auf dem COCO dataset mit 22 % weniger Parametern im Vergleich zu YOLOv8m. Mit YOLO11 können ANPR-Systeme verschiedene Herausforderungen wie wechselnde Lichtverhältnisse, diverse Kennzeichendesigns und sich bewegende Fahrzeuge besser bewältigen, was zu einer zuverlässigeren und effektiveren Kennzeichenerkennung führt.

Fig 3. Vergleich von Ultralytics YOLO11 mit früheren Versionen.

Wenn du dich fragst, how you can use YOLO11 in deinem ANPR-project, ist das sehr unkompliziert. Die variations of YOLO11-Modelle, die object detection unterstützen, wurden auf dem COCO dataset vortrainiert. Diese Modelle können 80 verschiedene Arten von Objekten erkennen, wie zum Beispiel cars, bicycles und animals. Während Kennzeichen nicht Teil der vortrainierten Labels sind, können Benutzer YOLO11 ganz einfach mit dem Ultralytics Python package oder der no-code Ultralytics HUB-Plattform benutzerdefiniert trainieren, um Kennzeichen zu erkennen. Benutzer haben die Flexibilität, einen dedizierten Kennzeichen-dataset zu erstellen oder zu verwenden, um ihr benutzerdefiniert trainiertes YOLO11-Modell perfekt für ANPR zu machen.

Anwendungen eines mit YOLO11 integrierten ANPR-Systems#

Als Nächstes werfen wir einen Blick auf die verschiedenen Anwendungsbereiche, in denen ANPR und YOLO11 gemeinsam eingesetzt werden können, um Effizienz und Genauigkeit zu verbessern.

Echtzeit-Nummernschilderkennung für Verkehr und Strafverfolgung#

In geschäftigen Städten, in denen Autos durch Kreuzungen und über Autobahnen fahren, müssen Verkehrspolizisten Staus bewältigen, Verkehrsverstöße überwachen und für public safety sorgen. ANPR kann, wenn es in YOLO11 integriert ist, bei diesen Bemühungen einen großen Unterschied machen. Durch die sofortige Erkennung von Fahrzeugkennzeichen können Behörden den Verkehrsfluss im Auge behalten, enforce traffic laws und schnell Fahrzeuge identifizieren, die in Verstöße verwickelt sind. Zum Beispiel können speeding vehicles leicht herausgewunken werden.

Fig 4. Erkennung und Identifizierung zu schneller Fahrzeuge mit ANPR und YOLO11.

Insgesamt kann ANPR mit YOLO11 Aufgaben automatisieren, die sonst manuellen Aufwand erfordern würden. Es kann Fahrzeuge erkennen, die bei Rot über die Ampel fahren, und den Betrieb von Mautstellen verwalten. Die Automatisierung dieser Aufgaben macht das System nicht nur effizienter, sondern entlastet auch die Verkehrsbeamten, sodass sie sich auf kritischere Aufgaben konzentrieren können.

In der Strafverfolgung können YOLO11 und ANPR zusammenarbeiten, um gestohlene Fahrzeuge zu track und solche zu identifizieren, die wegen verdächtiger Aktivitäten gemeldet wurden. Die Echtzeiterkennung von YOLO11 stellt sicher, dass Fahrzeuge schnell und zuverlässig erkannt werden, selbst wenn sie sich schnell bewegen. Diese Fähigkeit trägt zur Verbesserung der öffentlichen Sicherheit bei, indem sie schnellere Reaktionszeiten und eine effektivere Strafverfolgung ermöglicht.

Modernste Parkraummanagementsysteme und ANPR#

Eine weitere spannende Anwendung von ANPR mit YOLO11 liegt in parking management systems. Beispielsweise ermöglicht es Parkplätze, auf denen Autos einfahren, parken und wegfahren können, ohne dass der Fahrer mit einem Kassenautomaten oder Mitarbeiter interagieren muss. ANPR parking systems, die YOLO11 verwenden, können bei reibungslosen Ein-, Aus- und Bezahlprozessen helfen.

Fig 5. Verwaltung von Parkplätzen mit Ultralytics YOLO-Modellen.

Wenn sich ein Fahrzeug dem Einfahrtstor nähert, erkennt das durch YOLO11 unterstützte ANPR das Nummernschild sofort. Das System gleicht das Schild dann mit einer vorregistrierten Datenbank ab oder erstellt einen neuen Eintrag. Das Tor öffnet sich automatisch und lässt das Fahrzeug ohne manuelle Schritte herein. Dieser beschleunigte Prozess schafft ein komfortableres Erlebnis für die Fahrer.

Ebenso erkennt das System bei der Ausfahrt eines Fahrzeugs das Kennzeichen erneut mithilfe von YOLO11. Es berechnet die Parkzeit und kann die Zahlung automatisch abwickeln, wenn das Fahrzeug mit einer Zahlungsmethode registriert ist. Die Automatisierung macht physische Bezahlautomaten überflüssig und hilft, Staus an Ausfahrten insbesondere zu Stoßzeiten zu reduzieren.

Die Fähigkeit von YOLO11, Kennzeichen genau und in Echtzeit zu erkennen, ist der Schlüssel, damit diese parking management systems reibungslos funktionieren. Neben der größeren Bequemlichkeit beim Parken hilft es Betreibern, ihre Anlagen durch weniger manuelle Arbeit und einen verbesserten Verkehrsfluss besser zu verwalten.

Verwendung von ANPR zur Zugangskontrolle in Sicherheitssystemen#

In YOLO11 integrierte ANPR-Systeme sind eine hervorragende Option für die managing access zu gesicherten Bereichen wie Wohnanlagen, Firmen-Campus und Sperrgebieten. Durch den Einsatz von ANPR können diese Standorte ihre security automatisieren und sicherstellen, dass nur autorisierte Fahrzeuge hineingelassen werden.

Fig 6. Verwendung von ANPR, um autorisierte Fahrzeuge in gesicherte Bereiche zu lassen.

Es ist ähnlich wie bei dem Parkraummanagementsystem, das wir vorhin besprochen haben. Der Hauptunterschied besteht darin, dass das System das Nummernschild gegen eine Liste autorisierter Fahrzeuge prüft. Wenn das Fahrzeug zugelassen ist, öffnet sich das Tor automatisch und bietet nahtlosen Zugang für Anwohner, Mitarbeiter oder Besucher bei gleichzeitig hoher Sicherheit. Der Prozess reduziert den Bedarf an manuellen Kontrollen, sodass das Sicherheitspersonal sich auf wichtigere Aufgaben konzentrieren kann.

ANPR-Systeme sind ein wichtiger Bestandteil der Zukunft der Smart Cities#

Nachdem wir einige Anwendungen von ANPR-Systemen in Kombination mit YOLO11 durchlaufen haben, lass uns diese Anwendungen einmal in einem größeren, vernetzteren Kontext betrachten.

Über einzelne Anwendungen hinaus glänzen ihre Vorteile erst richtig, wenn sie als eine zusammenhängende Lösung in der urban infrastructure für intelligente Städte gesehen werden. Da sich Städte zu Smart Cities weiterentwickeln, spielen ANPR-Systeme eine immer wichtigere Rolle in der urban infrastructure.

Stelle dir beispielsweise eine smart city vor, in der ANPR verwendet wird, um den Verkehr zu regeln, sicheren Zugang zu gewähren und das Parken gleichzeitig zu optimieren. Ein Fahrzeug könnte bei der Einfahrt in die Stadt erkannt, während der gesamten Fahrt verfolgt, für Sperrgebiete freigegeben und ohne manuelles Eingreifen geparkt werden.

Durch die Integration von computer vision-Modellen wie YOLO11 kann ANPR dazu beitragen, den Verkehr effizienter zu verwalten, die Sicherheit zu erhöhen und für öffentliche Sicherheit zu sorgen. Diese Systeme ermöglichen Echtzeit-Überwachung, automatisierte Prozesse und datenbasierte Entscheidungsfindung, die für die Bewältigung der wachsenden Komplexität moderner Städte unerlässlich sind.

Ein abschließender Blick auf ANPR mit YOLO11#

ANPR-Systeme werden für die moderne städtische Infrastruktur unverzichtbar, und die Integration von Computer-Vision-Modellen wie YOLO11 macht sie noch vorteilhafter. YOLO11 erweitert ANPR um bessere Genauigkeit, Echtzeit-Verarbeitung und Anpassungsfähigkeit, was es ideal für Smart-City-Anwendungen macht. Von der Verbesserung des Verkehrsmanagements und der Strafverfolgung bis hin zur Automatisierung von Parkvorgängen und sicherem Zugang – ANPR-Systeme, die auf YOLO11 basieren, bringen Effizienz und Zuverlässigkeit. Da Städte immer smarter werden, werden diese Lösungen wahrscheinlich eine entscheidende Rolle bei der Umgestaltung des städtischen Lebens und der Unterstützung der Zukunft intelligenter Infrastrukturen spielen.

Um mehr über KI zu erfahren, besuche unser GitHub repository und tausche dich mit our community aus. Entdecke KI-Anwendungen in der manufacturing und agriculture auf unseren Lösungsseiten. 🚀