10 de febrero de 2025
Aprenda a construir un sistema ANPR utilizando Ultralytics YOLO11 para la detección de matrículas y GPT-4o Mini para el reconocimiento de texto con precisión en tiempo real.
Encontrar estacionamiento en un lote lleno de gente, esperar en largas filas de cabinas de peaje o quedarse atascado en los puntos de control de seguridad es frustrante. Las revisiones manuales de vehículos a menudo toman demasiado tiempo y causan demoras. Sin un sistema automatizado, el seguimiento eficiente de los automóviles puede ser un desafío.
La visión artificial ha cambiado esto al permitir el reconocimiento de matrículas en tiempo real a partir de imágenes y transmisiones de vídeo. Por ejemplo, Ultralytics YOLO11 es un modelo de visión artificial avanzado que puede realizar tareas avanzadas de Visión Artificial como la detección, clasificación y seguimiento de objetos. Utilizando las capacidades de detección de objetos de YOLO11, puede detectar con precisión las matrículas de los vehículos en las imágenes.
Ultralytics ofrece completos notebooks de Google Colab que simplifican el proceso de creación de soluciones impulsadas por Vision AI. Estos notebooks vienen preconfigurados con dependencias esenciales, modelos y guías paso a paso, lo que facilita la creación de aplicaciones. En particular, existe un notebook de Colab dedicado para ANPR (reconocimiento automático de matrículas).
En este artículo, utilizando el cuaderno Ultralytics Colab 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.
El seguimiento manual de coches requiere mucho tiempo y es propenso a errores, especialmente cuando se mueven rápidamente. La comprobación de cada matrícula una por una ralentiza el proceso y aumenta el riesgo de errores. El reconocimiento automático de matrículas resuelve este problema mediante el uso de la visión artificial para detectar y leer las matrículas al instante, lo que hace que la supervisión del tráfico y la seguridad sean más eficientes.
Los sistemas ANPR pueden capturar imágenes o vídeos de 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 mueven rápidamente o las matrículas están parcialmente ocultas.
Hoy en día, las cabinas de peaje, los sistemas de aparcamiento y las fuerzas del orden confían cada vez más en ANPR para rastrear vehículos de forma eficiente.
Si bien el ANPR identifica rápidamente los vehículos, todavía existen algunos desafíos que pueden afectar su precisión. Estos son algunos problemas comunes que pueden afectar el buen funcionamiento de un sistema 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 todo, desde pequeñas cámaras de seguridad hasta grandes sistemas de tráfico.
Con entrenamiento personalizado, YOLO11 se puede adaptar a diferentes estilos de matrículas, idiomas y entornos. También funciona bien en condiciones difíciles como poca luz, desenfoque de movimiento y ángulos difíciles cuando se entrena de forma personalizada en conjuntos de datos especializados que incluyen imágenes de estas condiciones.
Al identificar vehículos al instante, YOLO11 ayuda a reducir los tiempos de espera, prevenir errores y mejorar la seguridad. Esto hace que el flujo de tráfico sea más fluido y las operaciones más eficientes en estacionamientos, cabinas de peaje y sistemas de vigilancia.
A continuación, veamos cómo construir un sistema ANPR utilizando YOLO11 y GPT-4o Mini.
Exploraremos el código mostrado en el cuaderno de Ultralytics Google Collab para esta solución. El cuaderno de Google Colab es fácil de usar y cualquiera puede crear un sistema ANPR sin necesidad de una configuración complicada.
Para empezar, necesitaremos instalar nuestras dependencias, o los paquetes de software y bibliotecas esenciales necesarios para ejecutar nuestro sistema ANPR. Estas dependencias ayudan con tareas como la detección de objetos, el procesamiento de imágenes y el reconocimiento de texto, lo que garantiza que el sistema funcione de forma eficiente.
Instalaremos el paquete de Python de Ultralytics como se muestra a continuación. Este paquete proporciona modelos pre-entrenados, utilidades de entrenamiento y herramientas de inferencia, lo que facilita la detección y el reconocimiento de matrículas con YOLO11.
También tendremos que configurar GPT-4o Mini para el reconocimiento de texto. Dado que GPT-4o Mini es responsable de extraer el 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 tenga la clave, se puede añadir al cuaderno de Colab para que el sistema pueda conectarse al modelo y procesar los números de matrícula.
Después de 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 texto de ellas.
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 es necesario entrenarlo desde cero. Simplemente puedes descargarlo y está listo para usar. Esto ahorra tiempo y facilita mucho el proceso.
Además, descargaremos un archivo de vídeo de muestra para probar el sistema. Si lo desea, también puede ejecutar esta solución en sus propios archivos de vídeo. Una vez descargados, el modelo y los archivos de vídeo se almacenarán en el entorno del notebook.
Una vez que el modelo está listo, es el momento de verlo en acción. En primer lugar, se carga el archivo de vídeo para su procesamiento, asegurándose de que se abre correctamente. A continuación, se configura un escritor de vídeo para guardar el metraje procesado con las matrículas detectadas, manteniendo el tamaño y la velocidad de fotogramas originales. Por último, se carga el modelo para detectar las matrículas en cada fotograma del vídeo.
Una vez que el modelo se carga, el sistema comenzará a analizar cada fotograma del vídeo para detectar las matrículas. Cuando se encuentra una matrícula, el sistema la resalta con un cuadro de detección, lo que facilita su identificación. Este paso asegura que sólo se capturen los detalles relevantes, filtrando la información de fondo innecesaria. Con las matrículas detectadas con éxito, el vídeo está ahora listo para la siguiente etapa.
Después de detectar una matrícula, el siguiente paso es el reconocimiento de texto. El sistema primero recorta la matrícula del fotograma del video, eliminando cualquier distracción para una vista clara. Esto ayuda a centrarse en los detalles, mejorando la precisión incluso en condiciones difíciles como poca luz o desenfoque de movimiento.
Una vez que la matrícula está aislada, GPT-4o Mini analiza la imagen, extrae los números y las letras y los convierte en texto legible. El texto reconocido se añade de nuevo al vídeo, etiquetando cada matrícula detectada en tiempo real.
Con estos pasos completos, el sistema ANPR está completamente funcional y listo para reconocer las matrículas con facilidad.
El paso final guarda el vídeo procesado y limpia los archivos temporales, asegurando que todo funcione sin problemas.
Cada fotograma procesado, con las placas detectadas y el texto reconocido, se escribe en el vídeo de salida final. Una vez que se han procesado todos los fotogramas, el sistema cierra el archivo de vídeo del 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.
Después de construir y probar una solución ANPR, el siguiente paso es implementarla en un entorno real. La mayoría de los modelos de IA de visión dependen de la 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 constante a Internet, lo que la convierte en una excelente opción para ubicaciones con recursos limitados.
Por ejemplo, una comunidad cerrada puede implementar YOLO11 en un dispositivo perimetral para identificar los vehículos a medida que entran, eliminando la necesidad de grandes servidores. Todo se procesa in situ en tiempo real, lo que garantiza un acceso fluido, una menor congestión y una mayor seguridad.
Mientras tanto, en áreas con conectividad a Internet estable, el ANPR basado en la nube puede manejar múltiples cámaras simultáneamente. Por ejemplo, en un centro comercial, puede rastrear vehículos a través de diferentes entradas y almacenar los números de matrícula en un sistema central, lo que facilita el monitoreo del estacionamiento, mejora la seguridad y gestiona el flujo de vehículos de forma remota.
Configurar un sistema automático de reconocimiento de matrículas (ANPR) es sencillo con Ultralytics YOLO11. Detecta con precisión las matrículas y se puede entrenar de forma personalizada para adaptarse a diferentes entornos y requisitos.
Los sistemas ANPR mejoran la seguridad, agilizan la gestión del estacionamiento y mejoran la supervisión 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.
Únase a nuestra comunidad y visite nuestro repositorio de GitHub para ver la IA en acción. Explore nuestras opciones de licencia y descubra más sobre la IA de visión en la fabricación y la IA en los coches autónomos en nuestras páginas de soluciones.
