Verwendung von Ultralytics YOLO11 zur automatischen Kennzeichenerkennung

As AI adoption increases, innovations that depend on Automatic Number Plate Recognition (ANPR) are becoming more common. ANPR systems use computer vision to automatically read vehicle license plates and identify and track them. Recently, advancements in AI have made it possible to rapidly integrate such systems into our daily lives. In fact, you may have seen ANPR systems at toll booths or during police checks for speeding vehicles.

Nummernschilderkennung wird immer wichtiger, und der globale Markt für ANPR-Systeme 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. Zum Beispiel ist Objekterkennung, eine Computer-Vision-Aufgabe, für das präzise Erkennen und Verfolgen von Fahrzeugen unerlässlich, und genau hier kommen Computer-Vision-Modelle wie Ultralytics YOLO11 ins Spiel. In diesem Artikel betrachten wir, wie ANPR funktioniert und wie insbesondere YOLO11 ANPR-Lösungen verbessern kann.

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

Link to this sectionSo 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:

• Bilderfassung: Zunächst werden Kameras verwendet, um Bilder von Fahrzeugen aufzunehmen. Diese Kameras können an festen Standorten, wie z. B. Mautstellen, installiert oder für die Mobilität an Polizeifahrzeugen montiert sein.
• Nummernschilderkennung: Dann werden Objekterkennungsmodelle wie YOLO11 eingesetzt, um das Nummernschild im Bild zu finden.
• Optische Zeichenerkennung (OCR): Als Nächstes wird OCR verwendet, um die Zeichen auf dem Schild (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.

Abb. 2. Ein Beispiel für die Verwendung von Ultralytics YOLO-Modellen zur Nummernschilderkennung.

ANPR-Systeme stehen oft vor Herausforderungen wie schlechter Beleuchtung, unterschiedlichen Schilddesigns und schwierigen Umweltbedingungen. YOLO11 kann helfen, diese Bedenken durch eine verbesserte Erkennungsgenauigkeit und Geschwindigkeit auszuräumen, selbst unter schwierigen Bedingungen. Mit Modellen wie YOLO11 arbeitet ANPR zuverlässiger, was es einfacher macht, Schilder in Echtzeit zu identifizieren – egal ob bei Tag, Nacht oder schlechtem Wetter. Im nächsten Abschnitt schauen wir uns genauer an, wie du YOLO11 nutzen kannst, um diese Verbesserungen zu erzielen.

Link to this sectionWie YOLO11 ein ANPR-System verbessern kann#

Ultralytics YOLO11 wurde erstmals auf dem jährlichen Hybridevent von Ultralytics vorgestellt, der YOLO Vision 2024 (YV24). Als Objekterkennungsmodell, das Echtzeitanwendungen unterstützt, ist YOLO11 eine großartige Option, um Innovationen wie ANPR-Systeme zu verbessern. YOLO11 eignet sich auch für Edge-KI-Anwendungen. Dadurch können ANPR-Lösungen, die mit YOLO11 integriert sind, auch bei unzuverlässiger Netzwerkverbindung effektiv arbeiten. Das bedeutet, dass ANPR-Systeme nahtlos an abgelegenen Standorten oder in Gebieten mit begrenzter Konnektivität funktionieren können.

YOLO11 bietet zudem Effizienzsteigerungen gegenüber seinen Vorgängern. Beispielsweise erzielt YOLO11m eine höhere mean average precision (mAP) auf dem COCO-Datensatz bei 22 % weniger Parametern im Vergleich zu YOLOv8m. Mit YOLO11 können ANPR-Systeme verschiedene Herausforderungen wie wechselnde Lichtverhältnisse, unterschiedliche Schilddesigns und bewegte Fahrzeuge besser bewältigen, was zu einer zuverlässigeren und effektiveren Nummernschilderkennung führt.

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

Wenn du dich fragst, wie du YOLO11 in deinem ANPR-Projekt nutzen kannst, ist das sehr unkompliziert. Die Variationen der YOLO11-Modelle, die Objekterkennung unterstützen, wurden auf dem COCO-Datensatz vortrainiert. Diese Modelle können 80 verschiedene Arten von Objekten erkennen, wie zum Beispiel Autos, Fahrräder und Tiere. Obwohl Nummernschilder nicht Teil der vortrainierten Labels sind, können Nutzer YOLO11 einfach mit dem Ultralytics Python-Paket oder der No-Code-Plattform Ultralytics HUB individuell trainieren. Nutzer haben die Flexibilität, einen dedizierten Nummernschild-Datensatz zu erstellen oder zu verwenden, um ihr individuell trainiertes YOLO11-Modell perfekt für ANPR zu machen.

Link to this sectionAnwendungen 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.

Link to this sectionEchtzeit-Nummernschilderkennung für Verkehr und Strafverfolgung#

In geschäftigen Städten, in denen Autos durch Kreuzungen und über Autobahnen fahren, müssen Verkehrsbeamte Staus bewältigen, Verkehrsverstöße überwachen und für öffentliche Sicherheit sorgen. ANPR kann, wenn es mit YOLO11 integriert ist, bei diesen Aufgaben einen großen Unterschied machen. Durch das sofortige Erkennen von Fahrzeugkennzeichen können Behörden den Verkehrsfluss im Auge behalten, Verkehrsgesetze durchsetzen und Fahrzeuge, die in Verstöße verwickelt sind, schnell identifizieren. Zum Beispiel können zu schnell fahrende Fahrzeuge leicht angehalten werden.

Abb. 4. Erkennen und Identifizieren von zu schnell fahrenden Fahrzeugen 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 verfolgen 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 schnell fahren. Diese Fähigkeit trägt zur Verbesserung der öffentlichen Sicherheit bei, indem schnellere Reaktionszeiten und eine effektivere Strafverfolgung ermöglicht werden.

Link to this sectionModernste Parkraummanagementsysteme und ANPR#

Eine weitere spannende Anwendung von ANPR mit YOLO11 liegt in Parkraummanagementsystemen. So ermöglichen sie beispielsweise Parkplätze, auf denen Autos einfahren, parken und ausfahren können, ohne dass der Fahrer mit einem Ticketautomaten oder einem Parkwächter interagieren muss. ANPR-Parkplatzsysteme, die YOLO11 nutzen, können bei reibungslosen Ein- und Ausfahrt- sowie Bezahlprozessen helfen.

Abb. 5. Parkplatzmanagement 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 das Nummernschild erneut mittels YOLO11. Es berechnet die Parkdauer und kann die Zahlung automatisch abwickeln, wenn das Fahrzeug mit einer Zahlungsmethode registriert ist. Diese Automatisierung macht physische Zahlungsautomaten überflüssig und trägt dazu bei, Staus bei der Ausfahrt zu reduzieren, insbesondere zu Stoßzeiten.

Die Fähigkeit von YOLO11, Nummernschilder genau und in Echtzeit zu erkennen, ist der Schlüssel dazu, dass diese Parkraummanagementsysteme reibungslos funktionieren. Neben der komfortableren Parkgestaltung hilft es Betreibern, ihre Anlagen besser zu verwalten, indem manueller Arbeitsaufwand reduziert und der Verkehrsfluss verbessert wird.

Link to this sectionVerwendung von ANPR zur Zugangskontrolle in Sicherheitssystemen#

ANPR-Systeme, die mit YOLO11 integriert sind, sind eine hervorragende Option für die Zugangsverwaltung zu gesicherten Bereichen wie Wohnanlagen, Firmengeländen und eingeschränkten Einrichtungen. Durch den Einsatz von ANPR können diese Orte ihre Sicherheit automatisieren und sicherstellen, dass nur autorisierte Fahrzeuge Zutritt erhalten.

Abb. 6. Verwendung von ANPR, um autorisierten Fahrzeugen Zutritt zu gesicherten Bereichen zu gewähren.

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.

Link to this sectionANPR-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 entfalten ihre Vorteile erst dann ihre volle Wirkung, wenn sie als eine zusammenhängende Lösung innerhalb der städtischen Infrastruktur für Smart Cities betrachtet werden. Da sich Städte stetig weiterentwickeln, um smarter zu werden, spielen ANPR-Systeme eine immer wichtigere Rolle in der städtischen Infrastruktur.

Betrachte zum Beispiel eine Smart City, in der ANPR genutzt wird, um Verkehr zu managen, sicheren Zugang zu gewähren und Parkmöglichkeiten gleichzeitig zu optimieren. Ein Fahrzeug könnte erkannt werden, sobald es in die Stadt einfährt, während der gesamten Fahrt verfolgt, für gesicherte Bereiche freigeschaltet und zum Parken zugelassen werden – alles ohne manuellen Eingriff.

Durch die Integration von Computer-Vision-Modellen wie YOLO11 kann ANPR dabei helfen, Verkehr effizienter zu managen, die Sicherheit zu erhöhen und die öffentliche Sicherheit zu verbessern. Diese Systeme ermöglichen Echtzeit-Überwachung, automatisierte Prozesse und datengesteuerte Entscheidungsfindung, was für die Bewältigung der wachsenden Komplexität moderner Städte unerlässlich ist.

Link to this sectionEin 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 engagiere dich in unserer Community. Entdecke KI-Anwendungen in der Fertigung und Landwirtschaft auf unseren Lösungsseiten. 🚀