Verwendung von Ultralytics YOLO11 für die automatische Nummernschilderkennung

Mit der zunehmenden Verbreitung von KI werden Innovationen, die auf der automatischen Nummernschilderkennung (ANPR) beruhen, immer häufiger. ANPR-Systeme nutzen Computer Vision, um automatisch Fahrzeugkennzeichen zu lesen, zu identifizieren und zu track. Dank der Fortschritte in der künstlichen Intelligenz ist es in letzter Zeit möglich geworden, solche Systeme schnell in unser tägliches Leben zu integrieren. Vielleicht haben Sie schon einmal ANPR-Systeme an Mautstellen oder bei Polizeikontrollen von zu schnell fahrenden Fahrzeugen gesehen. 

Die Erkennung von Nummernschildern wird immer wichtiger, und der globale ANPR-Systemmarkt wird bis 2027 voraussichtlich 4,8 Milliarden Dollar erreichen. Ein Faktor für dieses Wachstum sind die Vorteile, die ANPR für Anwendungen wie Verkehrsmanagement und Sicherheit bietet. 

Um die besten Ergebnisse mit ANPR-Anwendungen zu erzielen, ist es wichtig, die KI-Techniken hinter diesen Lösungen zu verstehen. Beispielsweise ist die Objekterkennung, eine Aufgabe der Computer Vision, für die genaue Erkennung und Verfolgung von Fahrzeugen unerlässlich, und hier kommen Computer Vision Modelle wie Ultralytics YOLO11 ins Spiel kommen. In diesem Artikel werden wir uns ansehen, wie ANPR funktioniert und wie YOLO11insbesondere die ANPR-Lösungen verbessern kann. 

‍

Wie die automatische Kennzeichenerkennung funktioniert

Die automatische Kennzeichenerkennung umfasst einige wichtige Schritte, um Fahrzeugkennzeichen schnell und genau zu identifizieren. Lassen Sie uns aufschlüsseln, wie diese Schritte zusammenwirken, um den Prozess effizient zu gestalten:

• Bilderfassung: Zuerst werden Kameras verwendet, um Bilder von Fahrzeugen aufzunehmen. Diese Kameras können an festen Standorten wie Mautstellen installiert oder zur Mobilität an Polizeifahrzeugen montiert werden.
  ‍
• Erkennung von Nummernschildern: Dann werden Objekterkennungsmodelle wie YOLO11 verwendet, um das Nummernschild im Bild zu finden.
  ‍
• Optical Character Recognition (OCR): Als Nächstes wird OCR verwendet, um die Zeichen auf dem Schild (im Bild) zu lesen und sie in maschinenlesbaren Text umzuwandeln.
  ‍
• Datenbankabgleich: Die Textdaten werden dann mit einer Datenbank abgeglichen, um die Kennzeicheninformationen zu bestätigen.

‍

ANPR-Systeme sind oft mit Herausforderungen wie schlechter Beleuchtung, unterschiedlichen Kennzeichen und schwierigen Umgebungsbedingungen konfrontiert. YOLO11 kann dazu beitragen, diese Probleme zu lösen, indem es die Erkennungsgenauigkeit und -geschwindigkeit auch unter schwierigen Bedingungen erhöht. Mit Modellen wie YOLO11 arbeitet ANPR zuverlässiger und erleichtert die Identifizierung von Nummernschildern in Echtzeit, egal ob bei Tag oder Nacht oder bei schlechtem Wetter. Im nächsten Abschnitt sehen wir uns genauer an , wie Sie YOLO11 einsetzen können, um diese Verbesserungen zu erreichen.

Wie YOLO11 ein ANPR-System verbessern kann

Ultralytics YOLO11 wurde erstmals auf der jährlichen Hybrid-Veranstaltung Ultralytics, YOLO Vision 2024 (YV24), vorgestellt. Es handelt sich um ein Objekterkennungsmodell, das Echtzeitanwendungen unterstützt, YOLO11 eine hervorragende Option zur Verbesserung von Innovationen wie ANPR-Systemen. YOLO11 ist auch für Edge AI-Anwendungen geeignet. So können ANPR-Lösungen, die mit YOLO11 integriert sind, auch bei einer unzuverlässigen Netzwerkverbindung effektiv arbeiten. So können ANPR-Systeme auch an abgelegenen Orten oder in Gebieten mit eingeschränkter Konnektivität nahtlos funktionieren.

YOLO11 bringt auch Effizienzverbesserungen im Vergleich zu seinen Vorgängern. So erreicht YOLO11m eine höhere durchschnittliche Genauigkeit (mAP ) auf dem COCO mit 22 % weniger Parametern im Vergleich zu YOLOv8m. Mit YOLO11 können ANPR-Systeme mit verschiedenen Herausforderungen wie wechselnden Lichtverhältnissen, unterschiedlichen Kennzeichen-Designs und fahrenden Fahrzeugen besser umgehen, was zu einer zuverlässigeren und effektiveren Kennzeichenerkennung führt.

‍

Wenn Sie sich fragen, wie Sie YOLO11 in Ihrem ANPR-Projekt verwenden können, ist das ganz einfach. Die Varianten der YOLO11, die die Objekterkennung unterstützen, wurden mit dem COCO trainiert. Diese Modelle können 80 verschiedene Arten von Objekten detect , z. B. Autos, Fahrräder und Tiere. Nummernschilder gehören zwar nicht zu den vortrainierten Etiketten, aber die Benutzer können YOLO11 mit Hilfe des Ultralytics Python oder der codelosen Ultralytics HUB-Plattform leicht auf die detect Nummernschildern trainieren. Die Benutzer haben die Flexibilität, einen eigenen Nummernschilddatensatz zu erstellen oder zu verwenden, um ihr individuell trainiertes YOLO11 perfekt für ANPR zu machen.

Anwendungen eines mit YOLO11 integrierten ANPR-Systems

Als Nächstes werfen wir einen Blick auf die verschiedenen Anwendungen, bei denen ANPR und YOLO11 zusammen eingesetzt werden können, um die Effizienz und Genauigkeit zu verbessern.

Echtzeit-Kennzeichenerkennung für Verkehrs- und Strafverfolgungsbehörden

In belebten Städten, in denen sich Autos über Kreuzungen und Autobahnen bewegen, müssen Verkehrsbeamte Staus verwalten, Verkehrsverstöße überwachen und die öffentliche Sicherheit gewährleisten. ANPR, wenn es in YOLO11 integriert ist, kann einen großen Unterschied bei diesen Bemühungen machen. Durch die sofortige Erkennung von Fahrzeugkennzeichen können die Behörden den Verkehrsfluss im Auge behalten, Verkehrsgesetze durchsetzen und Fahrzeuge, die an Verstößen beteiligt sind, schnell identifizieren. Zum Beispiel können Fahrzeuge, die zu schnell fahren, leicht ausfindig gemacht werden. 

‍

Insgesamt kann ANPR mit YOLO11 Aufgaben automatisieren, die sonst manuell durchgeführt werden müssten. Es kann Fahrzeuge detect die rote Ampeln überfahren, und den Betrieb von Mautstellen verwalten. Die Automatisierung dieser Aufgaben macht das System nicht nur effizienter, sondern verringert auch die Arbeitsbelastung der Verkehrsbeamten, sodass sie sich auf wichtigere Aufgaben konzentrieren können.

Bei der Strafverfolgung können YOLO11 und ANPR zusammenarbeiten, um track gestohlene Fahrzeuge zu verfolgen und solche zu identifizieren, die für verdächtige Aktivitäten gekennzeichnet sind. Die Echtzeiterkennung von YOLO11 stellt sicher, dass Fahrzeuge schnell und zuverlässig erkannt werden, auch 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 interessante Anwendung von ANPR mit YOLO11 sind Parkraumbewirtschaftungssysteme. Es ermöglicht zum Beispiel Parkplätze, auf denen Autos einfahren, parken und ausfahren können, ohne dass der Fahrer mit einem Ticketautomaten oder einem Parkwächter interagieren muss. ANPR-Parksysteme, die YOLO11 verwenden, können zu einer reibungslosen Einfahrt, Ausfahrt und Zahlungsabwicklung beitragen.

‍

Wenn sich ein Fahrzeug dem Eingangstor nähert, erkennt ANPR powered by YOLO11 das Nummernschild sofort. Das System gleicht dann das Kennzeichen mit einer vorregistrierten Datenbank ab oder erstellt einen neuen Eintrag. Das Tor öffnet sich automatisch und lässt das Fahrzeug einfahren, ohne dass manuelle Schritte erforderlich sind. Der beschleunigte Prozess bietet den Fahrern ein bequemeres Erlebnis.

Wenn ein Fahrzeug wegfährt, erkennt das System das Nummernschild erneut mit 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 trägt dazu bei, Staus an den Ausfahrten zu verringern, insbesondere zu Stoßzeiten.

Die Fähigkeit von YOLO11, Nummernschilder genau und in Echtzeit detect , ist der Schlüssel zum reibungslosen Funktionieren dieser Parkmanagementsysteme. Es macht das Parken nicht nur bequemer, sondern hilft den Betreibern auch, ihre Einrichtungen besser zu verwalten, indem es die manuelle Arbeit reduziert und den Verkehrsfluss verbessert.

ANPR für die Zugangskontrolle in Sicherheitssystemen nutzen

ANPR-Systeme, die in YOLO11 integriert sind, sind eine großartige Option für die Verwaltung des Zugangs zu Sicherheitsbereichen wie Gated Communities, Firmengeländen und gesperrten Einrichtungen. Durch den Einsatz von ANPR können diese Orte ihre Sicherheit automatisieren und sicherstellen, dass nur autorisierte Fahrzeuge eingelassen werden.

‍

Es ähnelt dem Parkraumverwaltungssystem, das wir zuvor besprochen haben. Der Hauptunterschied besteht darin, dass das System das Kennzeichen mit einer Liste autorisierter Fahrzeuge abgleicht. Wenn das Fahrzeug genehmigt ist, öffnet sich das Tor automatisch und ermöglicht Bewohnern, Mitarbeitern oder Besuchern einen nahtlosen Zugang, während die Sicherheit gewährleistet bleibt. Der Prozess reduziert den Bedarf an manuellen Kontrollen, sodass sich das Sicherheitspersonal auf wichtigere Aufgaben konzentrieren kann.

ANPR-Systeme sind ein wichtiger Bestandteil der Zukunft intelligenter Städte

Nachdem wir nun einige Anwendungen von ANPR-Systemen, die mit YOLO11 integriert sind, durchgespielt haben, lassen Sie uns über diese Anwendungen in einem größeren Zusammenhang nachdenken. 

Abgesehen davon, dass es sich um einzelne Anwendungen handelt, kommen ihre Vorteile erst richtig zur Geltung, wenn sie als eine zusammenhängende Lösung in der städtischen Infrastruktur für intelligente Städte betrachtet werden. Während sich Städte zu intelligenteren Städten entwickeln, spielen ANPR-Systeme eine immer wichtigere Rolle in der städtischen Infrastruktur.

Betrachten Sie beispielsweise eine Smart City, in der ANPR zur Verkehrssteuerung, zur Gewährung von sicherem Zugang und zur Rationalisierung des Parkens eingesetzt wird. Ein Fahrzeug könnte bei der Einfahrt in die Stadt erkannt, durchgehend verfolgt, zu gesperrten Bereichen zugelassen und ohne manuellen Eingriff parken gelassen werden. 

Durch die Integration von Computer-Vision-Modellen wie YOLO11 kann ANPR dazu beitragen, den Verkehr effizienter zu verwalten, die Sicherheit zu erhöhen und die öffentliche Sicherheit zu verbessern. Diese Systeme ermöglichen Echtzeit-Überwachung, automatisierte Prozesse und datengestützte Entscheidungen, die für die Verwaltung der wachsenden Komplexität moderner Städte unerlässlich sind. 

Ein letzter Blick auf ANPR mit YOLO11 

ANPR-Systeme sind für die moderne städtische Infrastruktur unverzichtbar geworden, und die Integration von Computer-Vision-Modellen wie YOLO11 macht sie noch nützlicher. YOLO11 verbessert die ANPR mit besserer Genauigkeit, Echtzeitverarbeitung und Anpassungsfähigkeit und ist damit ideal für Smart-City-Anwendungen. Von der Verbesserung des Verkehrsmanagements und der Strafverfolgung bis hin zur Automatisierung des Parkens und der Zugangskontrolle - YOLO11 ANPR-Systeme sorgen für Effizienz und Zuverlässigkeit. Da die Städte immer intelligenter werden, werden diese Lösungen wahrscheinlich eine entscheidende Rolle bei der Umgestaltung des städtischen Lebens spielen und die Zukunft der intelligenten Infrastruktur unterstützen.

Um mehr über KI zu erfahren, besuchen Sie unser GitHub-Repository und engagieren Sie sich in unserer Community. Entdecken Sie KI-Anwendungen in der Fertigung und Landwirtschaft auf unseren Lösungsseiten. 🚀