Crea un sistema ANPR con Ultralytics YOLO11 y GPT-4o Mini

Encontrar aparcamiento en un parking lleno, esperar en largas colas de peaje o quedarse atrapado en controles de seguridad resulta frustrante. Las comprobaciones manuales de vehículos suelen tardar demasiado y provocar retrasos. Sin un sistema automatizado, hacer un seguimiento eficiente de los coches puede ser complicado.

La visión artificial ha cambiado esta situación al permitir el reconocimiento de matrículas en tiempo real a partir de imágenes y flujos de vídeo. Por ejemplo, Ultralytics YOLO11 es un modelo avanzado de visión artificial capaz de realizar tareas avanzadas de IA visual, como la detección, clasificación y seguimiento de objetos. Gracias a las capacidades de detección de objetos de YOLO11, puedes detectar con precisión las matrículas de los vehículos en imágenes.

Ultralytics ofrece notebooks de Google Colab completos que simplifican el proceso de creación de soluciones basadas en IA visual. Estos notebooks vienen preconfigurados con las dependencias y los modelos esenciales, además de guías paso a paso, para facilitar la creación de aplicaciones. En concreto, hay un notebook de Colab específico para el reconocimiento automático de matrículas (ANPR).

En este artículo, utilizaremos el notebook de Colab de Ultralytics para ANPR para explorar cómo crear una solución de ANPR con Ultralytics YOLO11 para detectar matrículas y GPT-4o Mini para reconocer texto.

Entender el ANPR#

Hacer un seguimiento manual de los coches requiere mucho tiempo y puede dar lugar a errores, especialmente cuando se mueven rápido. Comprobar cada matrícula una por una ralentiza el proceso y aumenta el riesgo de equivocaciones. El reconocimiento automático de matrículas resuelve este problema mediante visión artificial para detectar y leer matrículas al instante, haciendo más eficientes la supervisión del tráfico y la seguridad.

Los sistemas de ANPR pueden capturar imágenes o vídeos de vehículos en movimiento y utilizar la detección de objetos en tiempo real para identificar matrículas. Una vez detectadas, se utiliza el reconocimiento de texto para extraer automáticamente los números de las matrículas, sin intervención humana. Este proceso garantiza resultados precisos, incluso cuando los vehículos se mueven rápido o las matrículas están parcialmente ocultas.

Fig. 1. Ejemplo del uso de Ultralytics YOLO11 para detectar una matrícula.

Hoy en día, los peajes, los sistemas de aparcamiento y las fuerzas de seguridad recurren cada vez más al ANPR para realizar un seguimiento eficiente de los vehículos.

Retos relacionados con la tecnología ANPR#

Aunque el ANPR identifica vehículos rápidamente, todavía existen algunos retos que pueden afectar a su precisión. Estos son algunos problemas habituales que pueden influir en el funcionamiento de un sistema de ANPR:

• Poca luz y mal tiempo: Las matrículas son más difíciles de leer de noche y con mal tiempo. La niebla, la lluvia y el resplandor de un faro pueden desenfocar el texto y hacerlo ilegible.
• Matrículas borrosas u obstruidas: Un coche que se mueve rápido puede generar una imagen borrosa, especialmente si la velocidad de obturación de la cámara es demasiado baja. La suciedad, los arañazos o las partes de la matrícula que estén cubiertas también pueden causar problemas de reconocimiento. Utilizar cámaras de alta calidad con la configuración adecuada ayuda a obtener resultados más nítidos.
• Diseños de matrículas incoherentes: No todas las matrículas tienen el mismo aspecto. Algunas tienen fuentes decorativas, texto adicional o logotipos que confunden al sistema.
• Riesgos de privacidad y seguridad de los datos: Es importante almacenar los datos de los vehículos de forma segura. Las medidas de seguridad adecuadas pueden evitar accesos no autorizados y mantener la información protegida. Con las salvaguardas apropiadas, los sistemas de ANPR pueden ser seguros y fiables.

Cómo mejora Ultralytics YOLO11 los sistemas de ANPR#

Ultralytics YOLO11 puede hacer que los sistemas de ANPR sean más rápidos y precisos. Procesa imágenes rápidamente manteniendo la precisión y no requiere una gran potencia de cálculo, por lo que funciona bien tanto en pequeñas cámaras de seguridad como en grandes sistemas de tráfico.

Con el entrenamiento personalizado, Ultralytics YOLO11 puede adaptarse a distintos estilos de matrículas, idiomas y entornos. También funciona bien en condiciones difíciles, como poca luz, desenfoque por movimiento y ángulos complicados, cuando se entrena de forma personalizada con conjuntos de datos especializados que incluyen imágenes de estas condiciones.

Al identificar los vehículos al instante, Ultralytics YOLO11 ayuda a reducir los tiempos de espera, evitar errores y mejorar la seguridad. Esto permite agilizar el flujo del tráfico y hacer más eficientes las operaciones en parkings, peajes y sistemas de vigilancia.

Crear un sistema de ANPR con Ultralytics YOLO11 y GPT-4o Mini#

A continuación, veremos cómo crear un sistema de ANPR utilizando Ultralytics YOLO11 y GPT-4o Mini.

Exploraremos el código mostrado en el notebook de Google Colab de Ultralytics para esta solución. El notebook de Google Colab es fácil de usar y cualquiera puede crear un sistema de ANPR sin necesidad de una configuración complicada.

Paso 1: Configuración del entorno#

Para empezar, tendremos que instalar nuestras dependencias, es decir, los paquetes de software y las bibliotecas esenciales necesarios para ejecutar nuestro sistema de ANPR. Estas dependencias ayudan con tareas como la detección de objetos, el procesamiento de imágenes y el reconocimiento de texto, garantizando que el sistema funcione de forma eficiente.

Instalaremos el paquete de Python de Ultralytics, como se muestra a continuación. Este paquete proporciona modelos preentrenados, utilidades de entrenamiento y herramientas de inferencia, lo que facilita la detección y el reconocimiento de matrículas con YOLO11.

Fig. 2. Instalación del paquete de Python de Ultralytics.

También tendremos que configurar GPT-4o Mini para el reconocimiento de texto. Como GPT-4o Mini se encarga de extraer el texto de las matrículas detectadas, necesitamos una clave de API para acceder al modelo. Esta clave se puede obtener al registrarse en la API de GPT-4o Mini. Cuando tengas la clave, puedes añadirla al notebook de Colab para que el sistema se conecte al modelo y procese los números de las matrículas.

Tras completar la configuración y ejecutar el código de instalación, Ultralytics YOLO11 estará listo para detectar matrículas y GPT-4o Mini estará configurado para reconocer y extraer texto de ellas.

Paso 2: Descarga el modelo entrenado de forma personalizada#

Ahora que todo está configurado, el siguiente paso es descargar el modelo de Ultralytics YOLO11 que se ha entrenado de forma personalizada para detectar matrículas. Como este modelo ya se ha entrenado para detectar matrículas, no es necesario entrenarlo desde cero. Solo tienes que descargarlo y estará listo para usar. Esto ahorra tiempo y simplifica mucho el proceso.

También descargaremos un archivo de vídeo de muestra para probar el sistema. Si quieres, puedes ejecutar esta solución con tus propios archivos de vídeo. Una vez descargados, el modelo y los archivos de vídeo se almacenarán en el entorno del notebook.

Fig. 3. Descarga del modelo y del archivo de vídeo.

Paso 3: Carga el vídeo y comienza la detección#

Cuando el modelo esté listo, es hora de verlo en acción. Primero, se carga el archivo de vídeo para procesarlo, asegurándose de que se abre correctamente. A continuación, se configura un escritor de vídeo para guardar las imágenes procesadas con las matrículas detectadas, manteniendo el tamaño y la velocidad de fotogramas originales. Por último, se carga el modelo para detectar matrículas en cada fotograma del vídeo.

Fig. 4. Lectura del vídeo y carga del modelo.

Una vez cargado el modelo, el sistema comenzará a analizar cada fotograma del vídeo para detectar matrículas. Cuando encuentre una, el sistema la resaltará con un cuadro de detección, lo que facilitará su identificación. Este paso garantiza que solo se capturen los detalles relevantes y filtra la información de fondo innecesaria. Con las matrículas detectadas correctamente, el vídeo ya está listo para la siguiente fase.

Paso 4: Extrae texto de las matrículas#

Después de detectar una matrícula, el siguiente paso es reconocer el texto. Primero, el sistema recorta la matrícula del fotograma del vídeo para eliminar cualquier distracción y obtener una vista clara. Esto ayuda a centrarse en los detalles y mejora la precisión incluso en condiciones difíciles, como poca luz o desenfoque por movimiento.

Una vez aislada la matrícula, GPT-4o Mini analiza la imagen, extrae los números y las letras y los convierte en texto legible. A continuación, el texto reconocido se añade de nuevo al vídeo para etiquetar cada matrícula detectada en tiempo real.

Con estos pasos completados, el sistema de ANPR es totalmente funcional y está listo para reconocer matrículas fácilmente.

Paso 5: Guarda el vídeo procesado#

El paso final guarda el vídeo procesado y elimina los archivos temporales para garantizar que todo funcione correctamente.

Cada fotograma procesado, con las matrículas detectadas y el texto reconocido, se escribe en el vídeo de salida final. Una vez procesados todos los fotogramas, el sistema cierra el archivo de vídeo que estaba leyendo, liberando memoria y recursos del sistema. También finaliza y guarda el vídeo de salida, dejándolo listo para su reproducción o para análisis posteriores.

Fig. 5. Uso de YOLO11 y GPT-4o Mini para ANPR.

Implementación de un sistema de ANPR#

Después de crear y probar una solución de ANPR, el siguiente paso es implementarla en un entorno real. La mayoría de los modelos de IA visual dependen de la informática de alto rendimiento, pero Ultralytics YOLO11 está optimizado para la IA perimetral. Puede ejecutarse de forma eficiente en dispositivos pequeños sin necesitar procesamiento en la nube ni una conexión constante a Internet, por lo que es una excelente opción para ubicaciones con recursos limitados.

Por ejemplo, una urbanización cerrada puede implementar Ultralytics YOLO11 en un dispositivo perimetral para identificar los vehículos cuando entran, eliminando la necesidad de grandes servidores. Todo se procesa localmente en tiempo real, lo que garantiza un acceso fluido, menos congestión y mayor seguridad.

Fig. 6. Detección de matrículas con YOLO11.

Por otro lado, en zonas con una conectividad a Internet estable, el ANPR basado en la nube puede gestionar varias cámaras simultáneamente. Por ejemplo, en un centro comercial puede realizar un seguimiento de los vehículos en distintas entradas y almacenar los números de las matrículas en un sistema central, lo que facilita la supervisión del aparcamiento, mejora la seguridad y permite gestionar el flujo de vehículos a distancia.

El futuro del ANPR#

Configurar un sistema de reconocimiento automático de matrículas (ANPR) es sencillo con Ultralytics YOLO11. Detecta matrículas con precisión y puede entrenarse de forma personalizada para adaptarse a distintos entornos y requisitos.

Los sistemas de ANPR mejoran la seguridad, agilizan la gestión de aparcamientos y optimizan la supervisión del tráfico. Al automatizar el reconocimiento de matrículas, reducen los errores, aceleran la identificación y hacen más eficiente el seguimiento de vehículos en distintas aplicaciones.

Únete a nuestra comunidad y visita nuestro repositorio de GitHub para ver la IA en acción. Explora nuestras opciones de licencia y descubre más sobre la IA visual en la fabricación y la IA en los coches autónomos en nuestras páginas de soluciones.