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

Encontrar aparcamiento en un parking abarrotado, esperar en largas colas en los peajes o quedarse atrapado en los controles de seguridad resulta frustrante. Las comprobaciones manuales de vehículos a menudo consumen demasiado tiempo y provocan retrasos. Sin un sistema automatizado, realizar un seguimiento eficiente de los coches puede resultar complicado.

La visión artificial ha cambiado esto 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 que puede realizar tareas avanzadas de IA de visión como la detección, clasificación y seguimiento de objetos. Utilizando las capacidades de detección de objetos de YOLO11, puedes detectar con precisión las matrículas de los vehículos en imágenes.

Ultralytics ofrece completos Google Colab notebooks que simplifican el proceso de creación de soluciones basadas en IA de visión. Estos notebooks vienen preconfigurados con las dependencias, modelos y guías paso a paso esenciales, facilitando la creación de aplicaciones. En concreto, existe un Colab notebook dedicado para ANPR (Reconocimiento Automático de Matrículas).

En este artículo, utilizando el Colab notebook de Ultralytics para ANPR, exploraremos cómo construir una solución ANPR utilizando Ultralytics YOLO11 para la detección de matrículas y GPT-4o Mini para el reconocimiento de texto.

Link to this sectionComprender el ANPR#

Realizar el seguimiento manual de vehículos consume mucho tiempo y es propenso a errores, especialmente cuando se desplazan a gran velocidad. Comprobar cada matrícula una a una ralentiza el proceso y aumenta el riesgo de cometer fallos. El reconocimiento automático de matrículas resuelve este problema utilizando la visión artificial para detectar y leer matrículas al instante, haciendo que la vigilancia del tráfico y la seguridad sean más eficientes.

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

Fig 1. Un ejemplo del uso de YOLO11 para detectar una matrícula.

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

Link to this sectionDesafíos relacionados con la tecnología ANPR#

Aunque el ANPR identifica rápidamente los vehículos, todavía existen algunos desafíos que pueden afectar a su precisión. Aquí tienes algunos problemas comunes que pueden incidir en el funcionamiento de un sistema ANPR:

• Poca luz y mal tiempo: Las matrículas resultan más difíciles de leer de noche y con mal tiempo. La niebla, la lluvia y el brillo de los faros pueden difuminar el texto, haciéndolo ilegible.
• Matrículas borrosas o bloqueadas: Un coche a gran velocidad puede dejar una imagen borrosa, especialmente si la velocidad de obturación de la cámara es demasiado lenta. La suciedad, los arañazos o partes de la matrícula cubiertas también pueden causar problemas de reconocimiento. Utilizar cámaras de alta calidad con los ajustes adecuados ayuda a obtener resultados más claros.
• Diseños de matrícula inconsistentes: No todas las matrículas son iguales. Algunas tienen fuentes sofisticadas, texto adicional o logotipos que confunden al sistema.
• Riesgos de privacidad y seguridad de los datos: Almacenar los datos de los vehículos de forma segura es importante. Las medidas de seguridad adecuadas pueden evitar el acceso no autorizado y mantener la información protegida. Con las salvaguardas adecuadas, los sistemas ANPR pueden ser seguros y fiables.

Link to this sectionCómo mejora YOLO11 los sistemas ANPR#

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

Con entrenamiento personalizado, YOLO11 puede adaptarse a diferentes estilos de matrícula, idiomas y entornos. También funciona bien en condiciones difíciles como poca luz, desenfoque por movimiento y ángulos complicados cuando se ha entrenado a medida en datasets especializados que incluyan imágenes de estas condiciones.

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

Link to this sectionConstruir un sistema ANPR con YOLO11 y GPT-4o Mini#

A continuación, vamos a ver cómo construir un sistema ANPR utilizando YOLO11 y GPT-4o Mini.

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

Link to this sectionPaso 1: Configurar el entorno#

Para empezar, necesitaremos instalar nuestras dependencias, o los paquetes de software y bibliotecas esenciales requeridos para ejecutar nuestro sistema ANPR. Estas dependencias ayudan en tareas como la detección de objetos, el procesamiento de imágenes y el reconocimiento de texto, asegurando 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, facilitando la detección y reconocimiento de matrículas con YOLO11.

Fig 2. Instalación del paquete de Python de Ultralytics.

También necesitaremos configurar GPT-4o Mini para el reconocimiento de texto. Dado que GPT-4o Mini es responsable de extraer texto de las matrículas detectadas, necesitamos una clave API para acceder al modelo. Esta clave se puede obtener registrándose en la API de GPT-4o Mini. Una vez que tengas la clave, puedes añadirla al notebook de Colab para que el sistema pueda conectarse al modelo y procesar los números de matrícula.

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

Link to this sectionPaso 2: Descargar el modelo entrenado a medida#

Ahora que todo está configurado, el siguiente paso es descargar el modelo YOLO11 que ha sido entrenado a medida para detectar matrículas. Dado que este modelo ya ha sido entrenado para detectar matrículas, no hay necesidad de entrenarlo desde cero. Puedes simplemente descargarlo y estará listo para usar. Esto ahorra tiempo y hace que el proceso sea mucho más sencillo.

Además, descargaremos un archivo de vídeo de muestra para probar el sistema. Si lo deseas, también 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. Descargando el modelo y el archivo de vídeo.

Link to this sectionPaso 3: Cargar el vídeo y comenzar la detección#

Una vez que el modelo esté listo, es hora de verlo en acción. Primero, se carga el archivo de vídeo para su procesamiento, asegurando que se abra correctamente. A continuación, se configura un escritor de vídeo para guardar las secuencias procesadas con las matrículas detectadas, manteniendo el tamaño y la frecuencia de imagen originales. Finalmente, se carga el modelo para detectar las matrículas en cada fotograma del vídeo.

Fig 4. Leyendo el vídeo y cargando el modelo.

Una vez cargado el modelo, el sistema comenzará a analizar cada fotograma del vídeo para detectar las matrículas. Cuando se encuentra una matrícula, el sistema la resalta con una caja de detección, lo que facilita su identificación. Este paso garantiza que solo se capturen los detalles relevantes, filtrando la información de fondo innecesaria. Con las matrículas detectadas correctamente, el vídeo está listo para la siguiente etapa.

Link to this sectionPaso 4: Extracción de texto de las matrículas#

Tras detectar una matrícula, el siguiente paso es el reconocimiento de texto. El sistema recorta primero la matrícula del fotograma de vídeo, eliminando cualquier distracción para obtener una visión clara. Esto ayuda a centrarse en los detalles, mejorando 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 letras, y los convierte en texto legible. El texto reconocido se añade entonces al vídeo, etiquetando cada matrícula detectada en tiempo real.

Con estos pasos completados, el sistema ANPR está totalmente operativo y listo para reconocer matrículas con facilidad.

Link to this sectionPaso 5: Guardar el vídeo procesado#

El paso final guarda el vídeo procesado y limpia los archivos temporales, asegurando que todo funcione sin problemas.

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 desde el que estaba leyendo, liberando memoria y recursos del sistema. También finaliza y guarda el vídeo de salida, dejándolo listo para su reproducción o análisis posterior.

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

Link to this sectionDespliegue de un sistema ANPR#

Después de construir y probar una solución ANPR, el siguiente paso es desplegarla en un entorno real. La mayoría de los modelos de IA de visión dependen de una computación de alto rendimiento, pero Ultralytics YOLO11 está optimizado para Edge AI. Puede ejecutarse de manera eficiente en dispositivos pequeños sin necesidad de procesamiento en la nube o una conexión a internet constante, lo que lo convierte en una excelente opción para ubicaciones con recursos limitados.

Por ejemplo, una comunidad cerrada puede desplegar YOLO11 en un dispositivo de borde (edge device) para identificar vehículos a medida que entran, eliminando la necesidad de grandes servidores. Todo se procesa in situ en tiempo real, garantizando un acceso fluido, una reducción de la congestión y una mayor seguridad.

Fig 6. Detectando matrículas con YOLO11.

Mientras tanto, en áreas con 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 diferentes entradas y almacenar los números de matrícula en un sistema central, facilitando la supervisión del aparcamiento, la mejora de la seguridad y la gestión del flujo de vehículos de forma remota.

Link to this sectionEl futuro del ANPR#

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

Los sistemas ANPR mejoran la seguridad, agilizan la gestión de aparcamientos y optimizan la vigilancia del tráfico. Al automatizar el reconocimiento de matrículas, reducen los errores, aceleran la identificación y hacen que el seguimiento de vehículos sea más eficiente 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 IA de visión en la fabricación y IA en coches autónomos en nuestras páginas de soluciones.