Ultralytics YOLO11 zur automatischen Kennzeichenerkennung verwenden

Mit der zunehmenden Verbreitung von KI werden Anwendungen, die auf der automatischen Kennzeichenerkennung (ANPR) basieren, immer häufiger. ANPR-Systeme nutzen Computer Vision, um Fahrzeugkennzeichen automatisch zu lesen sowie Fahrzeuge zu identifizieren und nachzuverfolgen. Jüngste Fortschritte bei der KI ermöglichen es, solche Systeme schnell in unseren Alltag zu integrieren. Vielleicht hast du ANPR-Systeme bereits an Mautstellen oder bei Polizeikontrollen wegen überhöhter Geschwindigkeit gesehen.

Die Kennzeichenerkennung wird immer wichtiger, und der globale Markt für ANPR-Systeme soll bis 2027 ein Volumen von 4,8 Milliarden US-Dollar erreichen. Zu diesem Wachstum tragen die Vorteile bei, die ANPR für Anwendungen wie Verkehrsmanagement und Sicherheit bietet.

Um mit ANPR-Anwendungen die besten Ergebnisse zu erzielen, solltest du die KI-Verfahren hinter diesen Lösungen verstehen. So ist beispielsweise die Objekterkennung, eine Computer-Vision-Aufgabe, entscheidend, um Fahrzeuge präzise 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. Ultralytics-YOLO-Modelle für ANPR.

So funktioniert die automatische Kennzeichenerkennung#

Die automatische Kennzeichenerkennung umfasst einige wichtige Schritte, mit denen Fahrzeugkennzeichen schnell und genau erkannt werden. Sehen wir uns an, wie diese Schritte zusammenspielen und den Prozess effizient machen:

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

Abb. 2. Beispiel für die Kennzeichenerkennung mit Ultralytics-YOLO-Modellen.

ANPR-Systeme stehen oft vor Herausforderungen wie schlechten Lichtverhältnissen, unterschiedlichen Kennzeichendesigns und schwierigen Umgebungsbedingungen. YOLO11 kann helfen, diese Probleme zu bewältigen, indem es die Erkennungsgenauigkeit und -geschwindigkeit auch unter schwierigen Bedingungen verbessert. Mit Modellen wie YOLO11 arbeitet ANPR zuverlässiger. So lassen sich Kennzeichen leichter in Echtzeit erkennen – bei Tag und Nacht sowie bei schlechtem Wetter. Im nächsten Abschnitt sehen wir uns genauer an, wie du mit YOLO11 diese Verbesserungen erzielen kannst.

So kann YOLO11 ein ANPR-System verbessern#

Ultralytics YOLO11 wurde erstmals auf dem jährlichen hybriden Event von Ultralytics, YOLO Vision 2024 (YV24), vorgestellt. Als Objekterkennungsmodell, das Echtzeitanwendungen unterstützt, eignet sich YOLO11 hervorragend, um Innovationen wie ANPR-Systeme zu verbessern. YOLO11 eignet sich außerdem für Edge-KI-Anwendungen. Dadurch können in YOLO11 integrierte ANPR-Lösungen selbst bei unzuverlässiger Netzwerkverbindung effektiv arbeiten. So können ANPR-Systeme auch an abgelegenen Orten oder in Gebieten mit eingeschränkter Konnektivität weiterlaufen.

YOLO11 bietet außerdem Effizienzverbesserungen gegenüber seinen Vorgängern. So erreicht YOLO11m auf dem COCO-Datensatz eine höhere mittlere durchschnittliche Präzision (mAP) als YOLOv8m und benötigt dabei 22 % weniger Parameter. Mit YOLO11 können ANPR-Systeme verschiedene Herausforderungen wie wechselnde Lichtverhältnisse, unterschiedliche Kennzeichendesigns und fahrende Fahrzeuge besser bewältigen. Das sorgt für eine zuverlässigere und effektivere Kennzeichenerkennung.

Abb. 3. Vergleich von Ultralytics YOLO11 mit früheren Versionen.

Wenn du wissen möchtest, wie du YOLO11 in deinem ANPR-Projekt einsetzen kannst, ist das ganz einfach. Die Varianten der YOLO11-Modelle, die Objekterkennung unterstützen, wurden auf dem COCO-Datensatz vortrainiert. Diese Modelle können 80 verschiedene Objektarten erkennen, etwa Autos, Fahrräder und Tiere. Kennzeichen gehören zwar nicht zu den vortrainierten Klassen, aber du kannst YOLO11 ganz einfach mit dem Ultralytics Python-Paket oder der No-Code-Ultralytics Platform (früher Ultralytics HUB) für die Kennzeichenerkennung trainieren. Du kannst einen eigenen Datensatz erstellen oder mit einem öffentlichen Datensatz wie dem Datensatz für Autokennzeichen beginnen, damit dein individuell trainiertes YOLO11-Modell optimal für ANPR geeignet ist.

Anwendungen eines mit YOLO11 integrierten ANPR-Systems#

Als Nächstes sehen wir uns verschiedene Anwendungen an, in denen ANPR und YOLO11 gemeinsam die Effizienz und Genauigkeit verbessern können.

Kennzeichenerkennung in Echtzeit für Verkehr und Strafverfolgung#

In geschäftigen Städten, in denen Autos durch Kreuzungen und über Autobahnen fahren, müssen Verkehrsbeamtinnen und Verkehrsbeamte Staus bewältigen, Verkehrsverstöße überwachen und die öffentliche Sicherheit gewährleisten. ANPR in Kombination mit YOLO11 kann dabei einen großen Unterschied machen. Durch die sofortige Erkennung von Fahrzeugkennzeichen können Behörden den Verkehrsfluss überwachen, Verkehrsvorschriften durchsetzen und an Verstößen beteiligte Fahrzeuge schnell identifizieren. So lassen sich beispielsweise Fahrzeuge mit überhöhter Geschwindigkeit leicht erkennen.

Abb. 4. Zu schnell fahrende Fahrzeuge mit ANPR und YOLO11 erkennen und identifizieren.

Mit YOLO11 kann ANPR Aufgaben automatisieren, die sonst manuell erledigt werden müssten. Das System kann Fahrzeuge erkennen, die bei Rot über eine Ampel fahren, und den Betrieb von Mautstellen verwalten. Die Automatisierung macht das System nicht nur effizienter, 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 sorgt dafür, dass Fahrzeuge auch bei hoher Geschwindigkeit schnell und zuverlässig erkannt werden. So lässt sich die öffentliche Sicherheit verbessern, da Einsatzkräfte schneller reagieren und Strafverfolgungsmaßnahmen wirksamer durchführen können.

Moderne Parkraumbewirtschaftungssysteme und ANPR#

Eine weitere interessante Anwendung von ANPR mit YOLO11 sind Parkraumbewirtschaftungssysteme. So können Autos beispielsweise in Parkhäusern einfahren, parken und wieder ausfahren, ohne dass Fahrerinnen und Fahrer mit einem Ticketautomaten oder Personal interagieren müssen. ANPR-Parksysteme mit YOLO11 ermöglichen reibungslose Einfahrts-, Ausfahrts- und Zahlungsvorgänge.

Abb. 5. Parkplätze mit Ultralytics-YOLO-Modellen verwalten.

Nähert sich ein Fahrzeug der Einfahrt, erkennt das von YOLO11 unterstützte ANPR-System das Kennzeichen sofort. Anschließend gleicht das System das Kennzeichen 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 ist für Fahrerinnen und Fahrer bequemer.

Beim Verlassen des Parkplatzes erkennt das System das Kennzeichen erneut mithilfe von YOLO11. Es berechnet die Parkdauer und kann die Zahlung automatisch abwickeln, sofern für das Fahrzeug eine Zahlungsmethode hinterlegt ist. Durch die Automatisierung werden keine physischen Bezahlterminals benötigt und Staus an den Ausfahrten lassen sich verringern, besonders zu Stoßzeiten.

Die Fähigkeit von YOLO11, Kennzeichen präzise und in Echtzeit zu erkennen, ist entscheidend dafür, dass diese Parkraummanagementsysteme reibungslos funktionieren. Das macht das Parken nicht nur bequemer, sondern hilft den Betreibern auch, ihre Anlagen besser zu verwalten, indem es den manuellen Aufwand verringert und den Verkehrsfluss verbessert.

ANPR zur Zugangskontrolle in Sicherheitssystemen einsetzen#

ANPR-Systeme mit YOLO11 eignen sich hervorragend zur Zugangskontrolle in gesicherten Bereichen wie abgeschlossenen Wohnanlagen, Unternehmensgeländen und zugangsbeschränkten Einrichtungen. Mit ANPR können diese Orte ihre Sicherheitsabläufe automatisieren und sicherstellen, dass nur autorisierte Fahrzeuge eingelassen werden.

Abb. 6. Mit ANPR autorisierten Fahrzeugen die Einfahrt in geschützte Bereiche ermöglichen.

Das ähnelt dem Parkraummanagementsystem, das wir zuvor besprochen haben. Der wesentliche Unterschied besteht darin, dass das System das Kennzeichen mit einer Liste zugelassener Fahrzeuge abgleicht. Ist das Fahrzeug zugelassen, öffnet sich das Tor automatisch. So erhalten Anwohner, Beschäftigte oder Besucher schnell Zugang, während die Sicherheit gewährleistet bleibt. Das Verfahren 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 uns einige Anwendungen von ANPR-Systemen in Verbindung mit YOLO11 angesehen haben, betrachten wir diese Anwendungen nun in einem größeren Zusammenhang.

Über einzelne Anwendungen hinaus kommen ihre Vorteile besonders deutlich zur Geltung, wenn sie als zusammenhängende Lösung für die städtische Infrastruktur intelligenter Städte betrachtet werden. Während Städte immer intelligenter werden, spielen ANPR-Systeme eine zunehmend wichtige Rolle in der städtischen Infrastruktur.

Stell dir zum Beispiel eine Smart City vor, in der ANPR eingesetzt wird, um den Verkehr zu steuern, sicheren Zugang zu gewähren und das Parken gleichzeitig zu vereinfachen. Ein Fahrzeug könnte bei der Einfahrt in die Stadt erkannt, auf der gesamten Strecke verfolgt, für gesperrte Bereiche zugelassen und ohne manuelles Eingreifen zum Parken freigegeben werden.

Durch die Integration von Computer-Vision-Modellen wie YOLO11 kann ANPR dazu beitragen, den Verkehr effizienter zu steuern, die Sicherheit zu erhöhen und die öffentliche Sicherheit zu verbessern. Diese Systeme ermöglichen Echtzeitüberwachung, automatisierte Abläufe und datengestützte Entscheidungsfindung – unverzichtbar, um die wachsende Komplexität moderner Städte zu bewältigen.

Ein abschließender Blick auf ANPR mit YOLO11#

ANPR-Systeme werden für die moderne städtische Infrastruktur immer wichtiger, und die Integration von Computer-Vision-Modellen wie YOLO11 macht sie noch nützlicher. YOLO11 verbessert ANPR durch höhere Genauigkeit, Verarbeitung in Echtzeit und Anpassungsfähigkeit und eignet sich dadurch ideal für Smart-City-Anwendungen. Von einer besseren Verkehrssteuerung und Strafverfolgung bis hin zur Automatisierung des Parkens und des sicheren Zugangs – ANPR-Systeme mit YOLO11 sorgen für Effizienz und Zuverlässigkeit. Mit der Entwicklung immer intelligenterer Städte werden diese Lösungen wahrscheinlich eine entscheidende Rolle bei der Umgestaltung des städtischen Lebens und der Unterstützung der intelligenten Infrastruktur der Zukunft spielen.

Wenn du mehr über KI erfahren möchtest, besuche unser GitHub-Repository und tausche dich mit unserer Community aus. Entdecke auf unseren Lösungsseiten KI-Anwendungen in der Fertigung und der Landwirtschaft.