Automatische Kennzeichenerkennung mit Ultralytics YOLO11

Mit zunehmender Einführung von KI werden Innovationen auf Basis der automatischen Kennzeichenerkennung (ANPR) immer häufiger. ANPR-Systeme nutzen Computer Vision, um Fahrzeugkennzeichen automatisch zu lesen sowie zu erkennen und zu verfolgen. In letzter Zeit haben Fortschritte im Bereich KI es ermöglicht, solche Systeme schnell in unser tägliches Leben zu integrieren. Tatsächlich hast du ANPR-Systeme vielleicht schon an Mautstellen oder bei Polizeikontrollen nach zu schnell fahrenden Fahrzeugen gesehen.

Die Kennzeichenerkennung gewinnt zunehmend an Bedeutung, und der globale Markt für ANPR-Systeme soll bis 2027 ein Volumen von 4,8 Milliarden US-Dollar erreichen. Ein Grund für dieses Wachstum sind die Vorteile, die ANPR für Anwendungen wie Verkehrsmanagement und Sicherheit bietet.

Um mit ANPR-Anwendungen die besten Ergebnisse zu erzielen, ist es wichtig, die KI-Techniken hinter diesen Lösungen zu verstehen. Beispielsweise ist die Objekterkennung, eine Computer-Vision-Aufgabe, entscheidend, um Fahrzeuge zuverlässig zu erkennen und zu verfolgen. Hier kommen Computer-Vision-Modelle wie Ultralytics YOLO11 ins Spiel. In diesem Artikel sehen wir uns an, wie ANPR funktioniert und wie insbesondere YOLO11 ANPR-Lösungen verbessern kann.

Abb. 1 Einsatz von Ultralytics YOLO-Modellen für ANPR.

So funktioniert die automatische Kennzeichenerkennung#

Die automatische Kennzeichenerkennung umfasst einige wichtige Schritte, um Fahrzeugkennzeichen schnell und präzise zu erkennen. Sehen wir uns an, wie diese Schritte zusammenwirken, um den Prozess effizient zu gestalten:

• Bildaufnahme: Zunächst werden Kameras verwendet, um Bilder von Fahrzeugen aufzunehmen. Diese Kameras können an festen Standorten wie Mautstellen installiert oder für mehr Mobilität an Polizeifahrzeugen angebracht werden.
• Kennzeichenerkennung: Anschließend werden Objekterkennungsmodelle wie YOLO11 verwendet, um das Kennzeichen im Bild zu finden.
• Optische Zeichenerkennung (OCR): Danach wird OCR verwendet, um die Zeichen auf dem Kennzeichen (im Bild) zu lesen und in maschinenlesbaren Text umzuwandeln.
• Datenbankabfrage: Anschließend werden die Textdaten mit einer Datenbank abgeglichen, um die Kennzeicheninformationen zu bestätigen.

Abb. 2 Beispiel für den Einsatz von Ultralytics YOLO-Modellen zur Kennzeichenerkennung.

ANPR-Systeme stehen häufig vor Herausforderungen wie schlechter Beleuchtung, unterschiedlichen Kennzeichendesigns und schwierigen Umgebungsbedingungen. YOLO11 kann dabei helfen, diese Herausforderungen zu bewältigen, indem es die Erkennungsgenauigkeit und -geschwindigkeit auch unter schwierigen Bedingungen steigert. Mit Modellen wie YOLO11 kann ANPR zuverlässiger arbeiten, sodass Kennzeichen unabhängig davon leichter in Echtzeit erkannt werden können, ob es Tag oder Nacht ist oder schlechtes Wetter herrscht. Im nächsten Abschnitt sehen wir uns genauer an, wie du YOLO11 einsetzen kannst, um diese Verbesserungen zu erzielen.

Wie YOLO11 ein ANPR-System verbessern kann#

Ultralytics YOLO11 wurde erstmals auf dem jährlichen hybriden Event von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt. Als Objekterkennungsmodell, das Echtzeitanwendungen unterstützt, ist YOLO11 eine ausgezeichnete Option zur Verbesserung von Innovationen wie ANPR-Systemen. YOLO11 eignet sich außerdem für Edge-KI-Anwendungen. Dadurch können mit YOLO11 integrierte ANPR-Lösungen auch bei unzuverlässiger Netzwerkverbindung effektiv arbeiten. So können ANPR-Systeme nahtlos an abgelegenen Orten oder in Gebieten mit eingeschränkter Konnektivität eingesetzt werden.

YOLO11 bietet im Vergleich zu seinen Vorgängern außerdem Effizienzverbesserungen. Beispielsweise erzielt YOLO11m auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) und benötigt im Vergleich zu YOLOv8m 22 % weniger Parameter. Mit YOLO11 können ANPR-Systeme verschiedene Herausforderungen wie wechselnde Lichtverhältnisse, unterschiedliche Kennzeichendesigns und fahrende Fahrzeuge besser bewältigen, was zu einer zuverlässigeren und effektiveren Kennzeichenerkennung führt.

Abb. 3 Vergleich von Ultralytics YOLO11 mit früheren Versionen.

Falls du dich fragst, wie du YOLO11 in deinem ANPR-Projekt einsetzen kannst: Das ist ganz einfach. Die Varianten der YOLO11-Modelle, die Objekterkennung unterstützen, wurden auf dem COCO-Datensatz vortrainiert. Diese Modelle können 80 verschiedene Objektarten erkennen, darunter Autos, Fahrräder und Tiere. Kennzeichen gehören zwar nicht zu den vortrainierten Klassen, aber du kannst YOLO11 mithilfe des Ultralytics Python-Pakets oder der Ultralytics HUB-Plattform ohne Code problemlos speziell für die Kennzeichenerkennung trainieren. Du kannst einen eigenen Kennzeichen-Datensatz erstellen oder verwenden, um dein individuell trainiertes YOLO11-Modell optimal für ANPR auszulegen.

Anwendungen eines in YOLO11 integrierten ANPR-Systems#

Als Nächstes sehen wir uns die verschiedenen Anwendungen an, in denen ANPR und YOLO11 gemeinsam eingesetzt werden können, um Effizienz und Genauigkeit zu verbessern.

Echtzeit-Kennzeichenerkennung für Verkehr und Strafverfolgung#

In belebten Städten, in denen sich Autos durch Kreuzungen und über Autobahnen bewegen, müssen Verkehrskräfte Verkehrsstaus verwalten, Verkehrsverstöße überwachen und die öffentliche Sicherheit gewährleisten. ANPR kann in Kombination mit YOLO11 bei diesen Aufgaben einen großen Unterschied machen. Durch die sofortige Erkennung von Fahrzeugkennzeichen können Behörden den Verkehrsfluss überwachen, Verkehrsvorschriften durchsetzen und an Verstößen beteiligte Fahrzeuge schnell identifizieren. Beispielsweise lassen sich zu schnell fahrende Fahrzeuge problemlos herausfiltern.

Abb. 4 Erkennung und Identifizierung zu schnell fahrender Fahrzeuge mit ANPR und YOLO11.

Insgesamt kann ANPR mit YOLO11 Aufgaben automatisieren, die sonst manuelle Arbeit erfordern würden. Das System kann Fahrzeuge erkennen, die rote Ampeln überfahren, und den Betrieb von Mautstellen verwalten. Die Automatisierung dieser Aufgaben steigert nicht nur die Effizienz des Systems, sondern verringert auch die Arbeitsbelastung der Verkehrskräfte, sodass sie sich auf wichtigere Aufgaben konzentrieren können.

Bei der Strafverfolgung können YOLO11 und ANPR zusammenarbeiten, um gestohlene Fahrzeuge zu verfolgen und Fahrzeuge zu identifizieren, die wegen verdächtiger Aktivitäten gesucht werden. Die Echtzeiterkennung von YOLO11 stellt sicher, dass Fahrzeuge auch bei hoher Geschwindigkeit schnell und zuverlässig erkannt werden. Diese Fähigkeit trägt durch kürzere Reaktionszeiten und eine effektivere Strafverfolgung zur Verbesserung der öffentlichen Sicherheit bei.

Moderne Parkleitsysteme und ANPR#

Eine weitere interessante Anwendung von ANPR mit YOLO11 sind Parkraumbewirtschaftungssysteme. Sie ermöglichen beispielsweise Parkplätze, auf denen Autos einfahren, parken und wieder ausfahren können, ohne dass der Fahrer mit einem Ticketautomaten oder dem Personal interagieren muss. ANPR-Parksysteme mit YOLO11 können reibungslose Einfahrts-, Ausfahrts- und Zahlungsvorgänge ermöglichen.

Abb. 5 Parkplatzverwaltung mit Ultralytics YOLO-Modellen.

Wenn sich ein Fahrzeug der Einfahrt nähert, erkennt ANPR mit YOLO11 das Kennzeichen sofort. Das System gleicht das Kennzeichen anschließend mit einer vorab registrierten Datenbank ab oder legt einen neuen Eintrag an. Die Schranke öffnet sich automatisch und lässt das Fahrzeug ohne manuelle Schritte einfahren. Der beschleunigte Ablauf sorgt für mehr Komfort für die Fahrer.

Beim Ausfahren erkennt das System das Kennzeichen mithilfe von YOLO11 erneut. Es berechnet die Parkdauer und kann die Zahlung automatisch abwickeln, wenn für das Fahrzeug eine Zahlungsmethode hinterlegt ist. Durch die Automatisierung sind keine physischen Zahlungsautomaten erforderlich, und Staus an den Ausfahrten werden insbesondere zu Stoßzeiten reduziert.

Die Fähigkeit von YOLO11, Kennzeichen präzise und in Echtzeit zu erkennen, ist entscheidend dafür, dass diese Parkraumbewirtschaftungssysteme reibungslos funktionieren. Das Parken wird dadurch nicht nur komfortabler, sondern Betreiber können ihre Anlagen auch besser verwalten, da weniger manuelle Arbeit anfällt und der Verkehrsfluss verbessert wird.

ANPR für die Zugangskontrolle in Sicherheitssystemen einsetzen#

Mit YOLO11 integrierte ANPR-Systeme sind eine ausgezeichnete Option für die Zugangsverwaltung zu geschützten Bereichen wie abgeschlossenen Wohnanlagen, Unternehmensgeländen und Einrichtungen mit Zugangsbeschränkung. Durch den Einsatz von ANPR können diese Orte ihre Sicherheit automatisieren und sicherstellen, dass nur autorisierte Fahrzeuge eingelassen werden.

Abb. 6 ANPR einsetzen, um autorisierten Fahrzeugen Zugang zu geschützten Bereichen zu gewähren.

Das funktioniert ähnlich wie das bereits besprochene Parkraumbewirtschaftungssystem. Der wesentliche Unterschied besteht darin, dass das System das Kennzeichen mit einer Liste autorisierter Fahrzeuge abgleicht. Ist das Fahrzeug zugelassen, öffnet sich die Schranke automatisch. Bewohner, Mitarbeiter oder Besucher erhalten so nahtlosen Zugang, während die Sicherheit gewährleistet bleibt. Der Prozess verringert 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 einige Anwendungen von in YOLO11 integrierten ANPR-Systemen betrachtet haben, wollen wir diese Anwendungen nun in einem stärker vernetzten Zusammenhang betrachten.

Ihre Vorteile zeigen sich nicht nur in einzelnen Anwendungen, sondern besonders dann, wenn sie als zusammenhängende Lösung in der städtischen Infrastruktur intelligenter Städte betrachtet werden. Während sich Städte zu intelligenten Städten weiterentwickeln, spielen ANPR-Systeme eine immer wichtigere Rolle in der städtischen Infrastruktur.

Betrachte beispielsweise eine intelligente Stadt, in der ANPR gleichzeitig zur Verkehrssteuerung, zur sicheren Zugangskontrolle und zur Vereinfachung des Parkens eingesetzt wird. Ein Fahrzeug könnte bei der Einfahrt in die Stadt erkannt, auf seinem gesamten Weg verfolgt, für Bereiche mit Zugangsbeschränkung freigeschaltet und ohne manuelles Eingreifen zum Parken zugelassen 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 Echtzeitüberwachung, automatisierte Prozesse und datengestützte Entscheidungen – allesamt unverzichtbar für den Umgang mit der zunehmenden Komplexität moderner Städte.

ANPR mit YOLO11 im abschließenden Überblick#

ANPR-Systeme werden für die moderne städtische Infrastruktur immer wichtiger, und durch die Integration von Computer-Vision-Modellen wie YOLO11 werden sie noch leistungsfähiger. YOLO11 verbessert ANPR durch höhere Genauigkeit, Verarbeitung in Echtzeit und Anpassungsfähigkeit und eignet sich dadurch ideal für Anwendungen in intelligenten Städten. Von der Verbesserung des Verkehrsmanagements und der Strafverfolgung bis hin zur Automatisierung von Parkvorgängen und sicherem Zugang sorgen ANPR-Systeme mit YOLO11 für Effizienz und Zuverlässigkeit. Während Städte intelligenter werden, werden diese Lösungen wahrscheinlich eine entscheidende Rolle bei der Veränderung des städtischen Lebens und der Unterstützung der Zukunft intelligenter Infrastruktur spielen.

Weitere Informationen über KI findest du in unserem GitHub-Repository und in unserer Community. Entdecke auf unseren Lösungsseiten KI-Anwendungen in der Fertigung und Landwirtschaft. 🚀