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

Buscar aparcamiento en un estacionamiento lleno, esperar en largas colas en los peajes o quedarse atascado en los controles de seguridad es frustrante. Las comprobaciones manuales de vehículos suelen tardar demasiado y provocar retrasos. Sin un sistema automatizado, puede resultar difícil hacer un seguimiento eficiente de los coches.

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

Ultralytics ofrece cuadernos de Google Colab completos que simplifican el proceso de creación de soluciones basadas en IA de visión. Estos cuadernos incluyen dependencias y modelos preconfigurados, así como guías paso a paso, para facilitar la creación de aplicaciones. En concreto, hay un cuaderno de Colab específico para ANPR (reconocimiento automático de matrículas).

En este artículo, usaremos el cuaderno de Colab de Ultralytics para ANPR y veremos 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 lleva mucho tiempo y es propenso a errores, sobre todo cuando se desplazan rápido. Comprobar las matrículas una por una ralentiza el proceso y aumenta el riesgo de equivocarse. El reconocimiento automático de matrículas resuelve este problema mediante la visión artificial para detectar y leer matrículas al instante, lo que hace más eficientes la supervisión del tráfico y la seguridad.

Los sistemas ANPR pueden capturar imágenes o vídeos de vehículos en circulación 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 ayuda a mantener la precisión incluso cuando los vehículos se desplazan rápidamente o las matrículas están parcialmente ocultas.

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

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

Retos relacionados con la tecnología ANPR#

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

• Poca luz y mal tiempo: las matrículas son más difíciles de leer por la noche y cuando hace mal tiempo. La niebla, la lluvia y el resplandor de los faros pueden difuminar el texto e impedir su lectura.
• Matrículas borrosas u ocultas: un coche que circula a gran velocidad puede quedar borroso en la imagen, especialmente si la velocidad de obturación de la cámara es demasiado lenta. La suciedad, los arañazos o partes de la matrícula tapadas también pueden causar problemas de reconocimiento. Usar cámaras de calidad con los ajustes adecuados ayuda a obtener resultados más claros.
• Diseños de matrículas distintos: no todas las matrículas tienen el mismo aspecto. Algunas usan tipografías llamativas, incluyen texto adicional o llevan logotipos que confunden al sistema.
• Riesgos para la privacidad y seguridad de los datos: es importante almacenar de forma segura los datos de los vehículos. Las medidas de seguridad adecuadas pueden impedir el acceso no autorizado y proteger la información. Con las protecciones necesarias, los sistemas ANPR pueden ser seguros y fiables.

Cómo mejora Ultralytics YOLO11 los sistemas ANPR#

Ultralytics YOLO11 puede hacer que los sistemas ANPR sean más rápidos y precisos. Procesa imágenes rápidamente sin perder precisión y no necesita mucha potencia de cálculo, por lo que funciona bien tanto en pequeñas cámaras de seguridad como en grandes sistemas de tráfico.

Mediante el entrenamiento personalizado, Ultralytics YOLO11 se puede adaptar a distintos estilos de matrícula, idiomas y entornos. Los conjuntos de datos públicos, como Car License Plate en Ultralytics Platform, son un buen punto de partida. El modelo también funciona bien en condiciones difíciles, como poca luz, desenfoque por movimiento y ángulos complicados, si se entrena específicamente con conjuntos de datos especializados que incluyan imágenes de esas condiciones.

Al identificar vehículos al instante, Ultralytics YOLO11 ayuda a reducir los tiempos de espera, evitar errores y mejorar la seguridad. Esto agiliza el tráfico y hace más eficientes las operaciones en aparcamientos, peajes y sistemas de vigilancia.

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

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

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

Paso 1: Configurar el entorno#

Para empezar, tendremos que instalar las dependencias, es decir, los paquetes de software y bibliotecas esenciales que necesita nuestro sistema ANPR. Estas dependencias ayudan con tareas como la detección de objetos, el procesamiento de imágenes y el reconocimiento de texto, y garantizan 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. Puedes obtenerla registrándote en la API de OpenAI. Una vez que tengas la clave, puedes añadirla al cuaderno de Colab para que el sistema se conecte al modelo y procese los números de las matrículas.

Cuando hayas completado la configuración y ejecutado el código de instalación, Ultralytics YOLO11 estará listo para detectar matrículas y GPT-4o Mini estará configurado para reconocer y extraer el texto.

Paso 2: Descarga el modelo entrenado a medida#

Ahora que ya está todo configurado, el siguiente paso es descargar el modelo de Ultralytics YOLO11 entrenado a medida para detectar matrículas. Como el modelo ya se ha entrenado para detectar matrículas, no hace falta entrenarlo desde cero. Solo tienes que descargarlo y estará listo para usar. Así ahorrarás tiempo y el proceso será mucho más sencillo.

También descargaremos un vídeo de ejemplo para probar el sistema. Si quieres, puedes ejecutar esta solución con tus propios archivos de vídeo. Una vez descargados, el modelo y los vídeos se guardarán en el entorno del cuaderno.

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

Paso 3: Carga el vídeo e inicia la detección#

Cuando el modelo esté listo, es hora de verlo en acción. Primero, se carga el archivo de vídeo para procesarlo y comprobar que se abre correctamente. Después, se configura un escritor de vídeo para guardar las imágenes procesadas con las matrículas detectadas, manteniendo el tamaño y la frecuencia 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 empezará a analizar cada fotograma del vídeo para detectar matrículas. Cuando encuentre una, la resaltará con un cuadro delimitador para que sea fácil de identificar. Este paso garantiza que solo se capturen los detalles pertinentes y filtra la información de fondo innecesaria. Una vez detectadas las matrículas, el vídeo estará listo para la siguiente fase.

Paso 4: Extraer el texto de las matrículas#

Tras detectar una matrícula, el siguiente paso es reconocer el texto, también conocido como reconocimiento óptico de caracteres (OCR). Primero, el sistema recorta la matrícula del fotograma del vídeo y elimina cualquier elemento que distraiga para obtener una imagen nítida. 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 vuelve a añadir al vídeo para etiquetar cada matrícula detectada en tiempo real.

Una vez completados estos pasos, el sistema ANPR estará plenamente operativo y listo para reconocer matrículas fácilmente.

Paso 5: Guardar el vídeo procesado#

El último paso 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 y libera memoria y recursos del sistema. También finaliza y guarda el vídeo de salida, que queda listo para reproducirse o analizarse.

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

Despliegue de un sistema ANPR#

Después de crear y probar una solución ANPR, el siguiente paso es implementarla en un entorno real. Muchos modelos de IA visual dependen de la computación de alto rendimiento, pero Ultralytics YOLO11 está optimizado para la IA en el borde. Puede funcionar de forma eficiente en dispositivos pequeños sin necesidad de procesamiento en la nube ni de una conexión constante a Internet, por lo que es una opción excelente para lugares con recursos limitados.

Por ejemplo, una urbanización cerrada puede desplegar Ultralytics YOLO11 en un dispositivo de borde para identificar los vehículos que entran, sin necesidad de grandes servidores. Todo se procesa localmente y en tiempo real, lo que garantiza un acceso fluido, reduce la congestión y mejora la seguridad.

Fig. 6. Detección de matrículas con YOLO11.

Por otro lado, en zonas con una conexión a Internet estable, un sistema ANPR basado en la nube puede gestionar varias cámaras a la vez. Por ejemplo, en un centro comercial puede seguir los vehículos en distintas entradas y almacenar los números de matrícula en un sistema central, lo que facilita supervisar el aparcamiento, mejorar la seguridad y 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 las matrículas con precisión y puedes entrenarlo con datos personalizados para adaptarlo a distintos entornos y requisitos.

Los sistemas ANPR mejoran la seguridad, agilizan la gestión del aparcamiento 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 diversas 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 para visión en la fabricación y la IA en los coches autónomos en nuestras páginas de soluciones.