Ultralytics YOLOv8 para sistemas de gestión de aparcamientos más inteligentes

Dar vueltas en coche buscando una plaza de aparcamiento puede resultar estresante, especialmente cuando llegas tarde. La forma tradicional de buscar un sitio donde aparcar puede ser tediosa y llevar mucho tiempo. Sin embargo, un sistema de gestión de aparcamientos basado en inteligencia artificial (AI) y visión artificial puede simplificar las cosas. Puede hacer que la disponibilidad de plazas sea más predecible y reducir la congestión del tráfico.

En este artículo, aprenderemos a mejorar los sistemas de gestión de aparcamientos con inteligencia artificial y visión artificial. También veremos un ejemplo de código paso a paso para mostrarte cómo puedes utilizar el modelo Ultralytics YOLOv8 para crear un sistema de gestión de aparcamientos con visión artificial. ¡Vamos allá!

Problemas de la gestión tradicional de aparcamientos#

Antes de hablar de los sistemas inteligentes de gestión de aparcamientos mejorados con AI, veamos los problemas de los sistemas tradicionales de gestión de aparcamientos.

Uno de los principales problemas de los sistemas tradicionales son los aparcamientos saturados: hay más coches en los aparcamientos que plazas disponibles. Además de perder tiempo buscando una plaza, la saturación provoca un consumo excesivo de combustible y contaminación atmosférica. Otro problema es el estrés de los conductores. Según una encuesta, alrededor del 27 % de las personas pasan al menos 30 minutos buscando aparcamiento. Además, el 43 % de las personas admitieron haber discutido verbalmente con desconocidos por una plaza de aparcamiento.

Fig. 1. Un conductor estresado. Fuente de la imagen: Envato Elements.

La AI facilita la gestión de los aparcamientos#

Los aparcamientos integrados con AI tienen como objetivo resolver los problemas a los que se enfrentan los sistemas tradicionales de gestión de aparcamientos. Los modelos de visión artificial, como el modelo Ultralytics YOLOv8, y las cámaras de alta definición pueden supervisar los aparcamientos y obtener actualizaciones en tiempo real sobre las plazas disponibles y ocupadas.

¿Cómo funciona? Un modelo de visión artificial puede analizar las imágenes de cámaras de alta definición para detectar vehículos, seguir sus movimientos e identificar plazas de aparcamiento disponibles. El modelo Ultralytics YOLOv8 admite tareas de visión artificial como la detección de objetos y el seguimiento de objetos, y puede identificar y clasificar vehículos con precisión dentro de un flujo de vídeo. Al comparar las ubicaciones detectadas de los vehículos con las plazas de aparcamiento predefinidas, el sistema puede determinar si una plaza está ocupada o no.

Fig. 2. YOLOv8 detectando plazas de aparcamiento.

La información sobre la disponibilidad de plazas del sistema basado en visión artificial se puede integrar y ampliar en distintas aplicaciones:

• Aplicaciones móviles: Las aplicaciones móviles pueden mostrar la disponibilidad de plazas en tiempo real y ayudar a los conductores a encontrar plazas disponibles de forma rápida y sencilla.
• Señalización digital: Las señales digitales situadas en las entradas de los aparcamientos pueden mostrar el número de plazas disponibles y dirigir a los conductores a la plaza libre más cercana.
• Sistemas de aparcamiento automatizados: Los datos se pueden utilizar para controlar barreras y puertas automatizadas, permitiendo la entrada solo cuando haya plazas disponibles y guiando a los conductores hasta la plaza libre más cercana.

Ventajas de un sistema de gestión de aparcamientos#

La información sobre la disponibilidad de plazas puede ofrecer muchas ventajas. Las actualizaciones en tiempo real ayudan a los conductores a dirigirse directamente a las plazas libres, lo que mejora la fluidez del tráfico y reduce el estrés de encontrar aparcamiento. Para los operadores, entender cómo se utilizan las plazas les permite gestionar mejor el aparcamiento, mejorar la seguridad mediante la supervisión en tiempo real y responder rápidamente ante cualquier incidente.

La automatización de las funciones de aparcamiento reduce los costes al disminuir la necesidad de mano de obra. Los sistemas de AI facilitan la reserva de plazas mediante aplicaciones móviles o web, permiten que los conductores reciban notificaciones sobre la disponibilidad y ahorran tiempo y dinero. Los urbanistas pueden utilizar estos datos para diseñar mejores trazados viarios, hacer cumplir normas de aparcamiento eficaces y desarrollar nuevas instalaciones de aparcamiento que hagan que las ciudades sean más eficientes y fáciles de recorrer.

Fig. 3. Reserva plazas de aparcamiento mediante una aplicación móvil.

Pruébalo tú mismo: gestión de aparcamientos mediante YOLOv8#

Ahora que conocemos bien la gestión de aparcamientos y sus ventajas, veamos cómo puedes crear un sistema de gestión de aparcamientos basado en visión artificial. Utilizaremos el modelo YOLOv8 para detectar vehículos, supervisar las plazas de aparcamiento y determinar su estado de ocupación.

En este ejemplo, puedes utilizar un vídeo o un flujo de cámara de un aparcamiento. Ten en cuenta que el tamaño máximo de imagen compatible con este ejemplo es de 1920 * 1080. Antes de empezar, recuerda que este sistema depende de una detección precisa de los vehículos y de unas coordenadas predefinidas de las plazas de aparcamiento.

La calibración de la cámara y los factores ambientales pueden afectar a la precisión de la detección de plazas y del estado de ocupación. La velocidad y la precisión del procesamiento también pueden variar en función del rendimiento de tu GPU.

Paso 1: Empecemos instalando el paquete Ultralytics. Abre el símbolo del sistema o el terminal y ejecuta el siguiente comando.

pip install ultralytics

Consulta nuestra guía de instalación de Ultralytics para obtener instrucciones detalladas y buenas prácticas sobre el proceso de instalación. Si encuentras algún problema al instalar los paquetes necesarios para YOLOv8, nuestra guía de problemas habituales ofrece soluciones y consejos útiles.

Paso 2: Tenemos que preseleccionar las plazas de aparcamiento para poder marcar las áreas de interés en tus imágenes. Ejecuta este código para abrir la interfaz de usuario y preseleccionar las plazas de aparcamiento.

from ultralytics import solutions

solutions.ParkingPtsSelection()

Como se muestra a continuación, al ejecutar este código se abrirá una interfaz de usuario. Captura un fotograma o una captura de pantalla del vídeo de entrada de un aparcamiento y súbela. Después de dibujar los cuadros delimitadores alrededor de las plazas de aparcamiento, haz clic en la opción de guardar. La información de las plazas de aparcamiento seleccionadas se guardará en un archivo JSON llamado ‘bounding_boxes.json.’

Fig. 4. Seleccionar plazas de aparcamiento en tus imágenes.

Paso 3: Ahora podemos pasar al código principal para la gestión de aparcamientos. Empieza importando todas las bibliotecas necesarias e inicializando el archivo JSON que creamos en el paso 2.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

Paso 4: Crea un objeto VideoCapture para leer el archivo de vídeo de entrada y asegúrate de que el archivo de vídeo se abre correctamente.

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"

Paso 5: Inicializa todas las propiedades de vídeo necesarias, como la anchura, la altura y los fotogramas por segundo.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

Paso 6: A continuación, podemos crear un objeto VideoWriter para guardar el archivo de vídeo procesado final.

video_writer = cv2.VideoWriter("parking management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

Paso 7: Aquí inicializamos el sistema de gestión de aparcamientos con el modelo Ultralytics YOLOv8 para detectar plazas de aparcamiento.

management = solutions.ParkingManagement(model_path="yolov8n.pt")

Paso 8: Ahora recorremos el archivo de vídeo fotograma a fotograma para procesarlo. Si no se lee ningún fotograma, el bucle se interrumpirá.

while cap.isOpened():
    ret, im0 = cap.read()
    if not ret:
        break

Paso 9: Dentro del bucle, extraeremos las regiones de aparcamiento preseleccionadas del archivo JSON y seguiremos los objetos del fotograma utilizando el modelo YOLOv8.

json_data = management.parking_regions_extraction(polygon_json_path)
results = management.model.track(im0, persist=True, show=False)

Paso 10: Esta parte del bucle procesa los resultados del seguimiento y obtiene las coordenadas de los cuadros delimitadores y las etiquetas de clase de los objetos detectados.

if results[0].boxes.id is not None:
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    management.process_data(json_data, im0, boxes, clss)

Paso 11: La última parte del bucle consiste en mostrar el fotograma actual con anotaciones y escribir el fotograma procesado en el archivo de vídeo de salida “parking management.avi.”

management.display_frames(im0)
video_writer.write(im0)

Paso 12: Por último, podemos liberar los objetos VideoCapture y VideoWriter y destruir todas las ventanas.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Paso 13: Guarda el script. Si estás trabajando desde el terminal o el símbolo del sistema, ejecuta el script con el siguiente comando:

python your_script_name.py

Consulta la documentación oficial de Ultralytics si quieres obtener más información sobre el código.

Retos de un sistema automatizado de gestión de aparcamientos#

Los sistemas de aparcamiento inteligentes ofrecen muchas ventajas tanto a los conductores como a las empresas. Sin embargo, también presentan algunos retos que deben tenerse en cuenta antes de implementar este tipo de soluciones. Veamos algunos de ellos.

• Problemas de privacidad: Estos sistemas recopilan información como la marca y el modelo del coche de una persona, el número de matrícula, la hora de entrada y salida, etc.
• Alto coste de instalación: Los sensores, las cámaras, las máquinas expendedoras de tickets automatizadas y el software de AI pueden ser caros de instalar.
• Requisitos de mantenimiento: La frecuencia del mantenimiento depende del sistema de AI, pero la mayoría de los sistemas requieren un mantenimiento mensual.

El futuro de los sistemas de aparcamiento inteligentes#

La gestión innovadora de aparcamientos del futuro se basará en el uso de tecnologías de vanguardia como la AI, los coches autónomos y la realidad virtual para mejorar la experiencia general de aparcamiento y favorecer la sostenibilidad. Cuando se integren con estos sistemas, los coches autónomos podrán desplazarse hasta las zonas de aparcamiento sin intervención humana y aparcar. Estos sistemas también ayudan a las empresas a ocupar más plazas y anunciar sus servicios en varias aplicaciones y sitios web. Además, reducen la cantidad de emisiones de carbono generadas por los conductores que circulan buscando una plaza de aparcamiento.

Poner fin a los problemas del aparcamiento#

Los modelos de AI, como Ultralytics YOLOv8, y la visión artificial pueden transformar tu aparcamiento. Reducen considerablemente el tiempo que se pasa dando vueltas en busca de plazas, lo que te permite ahorrar tiempo y reducir las emisiones. Estos sistemas inteligentes de gestión de aparcamientos abordan problemas habituales como la congestión, el aparcamiento ilegal y la frustración de los conductores. Aunque requieren una inversión inicial, sus beneficios a largo plazo son importantes. Invertir en aparcamientos inteligentes es fundamental para crear ciudades sostenibles y una experiencia de aparcamiento más fluida para todos.

¿Quieres obtener más información sobre AI? ¡Conecta con nuestra comunidad! Explora nuestro repositorio de GitHub para saber más sobre cómo utilizamos la AI para crear soluciones innovadoras en sectores como la sanidad y la agricultura. ¡Colabora, innova y aprende con nosotros! 🚀