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.

Computer vision 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 computer vision capaz de realizar tareas complejas de visión artificial como la detección, clasificación y seguimiento de objetos. Mediante las capacidades de detección de objetos de YOLO11, puedes detectar con precisión las matrículas de los vehículos en las imágenes.

Ultralytics ofrece completos Google Colab notebooks que simplifican el proceso de creación de vision AI-powered solutions. Estos notebooks vienen preconfigurados con dependencias esenciales, modelos y guías paso a paso, lo que facilita la creación de aplicaciones. En concreto, hay un Colab notebook for ANPR (reconocimiento automático de matrículas) dedicado.

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.

Comprender el ANPR#

El seguimiento manual de coches requiere mucho tiempo y es propenso a errores, especialmente cuando se desplazan a gran velocidad. Comprobar cada matrícula una por una ralentiza el proceso y aumenta el riesgo de cometer fallos. El automatic number plate recognition resuelve este problema utilizando computer vision para detectar y leer matrículas al instante, lo que hace que la monitorización 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 de uso de Ultralytics 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.

Desafíos 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.

Cómo mejora Ultralytics 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 el entrenamiento personalizado, Ultralytics YOLO11 se puede adaptar a diferentes estilos de matrículas, idiomas y entornos. También rinde 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 incluyan imágenes de estas condiciones.

Al identificar vehículos al instante, Ultralytics YOLO11 ayuda a reducir los tiempos de espera, prevenir errores y mejorar la seguridad. Esto hace que el tráfico fluya con mayor fluidez y que las operaciones sean más eficientes en aparcamientos, peajes y sistemas de videovigilancia.

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

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

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

Paso 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 Ultralytics Python package como se muestra a continuación. Este paquete proporciona modelos preentrenados, utilidades de entrenamiento y herramientas de inferencia, facilitando la detección y el 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, Ultralytics YOLO11 estará listo para detectar matrículas, y GPT-4o Mini se configurará para reconocer y extraer texto de ellas.

Paso 2: Descargar el modelo entrenado a medida#

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

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.

Paso 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.

Paso 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. A continuación, el texto reconocido se vuelve a añadir 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.

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

Despliegue de un sistema ANPR#

Tras crear y probar una solución ANPR, el siguiente paso es desplegarla en un entorno real. La mayoría de los vision AI models dependen de la computación de alto rendimiento, pero Ultralytics YOLO11 está optimizado para Edge AI. Puede ejecutarse de forma eficiente en dispositivos pequeños sin requerir procesamiento en la nube ni una conexión a internet constante, lo que lo convierte en una excelente opción para ubicaciones con recursos limitados.

Por ejemplo, una urbanización cerrada puede desplegar Ultralytics YOLO11 en un dispositivo edge para identificar los vehículos a medida que entran, eliminando la necesidad de grandes servidores. Todo se procesa in situ y en tiempo real, lo que garantiza un acceso fluido, una menor congestión y una mayor seguridad.

Fig 6. Detección de 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.

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 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 our community y visita our GitHub repository para ver la IA en acción. Explora our licensing options y descubre más sobre vision AI in manufacturing y AI in self-driving cars en nuestras páginas de soluciones.