13 de junio de 2024
El modelo YOLOv8 de Ultralytics puede hacer que los sistemas de gestión de aparcamiento sean más inteligentes. Aprenda a gestionar las plazas de aparcamiento en tiempo real para crear su propia solución de aparcamiento inteligente.
Puede ser estresante conducir en círculos buscando un lugar para aparcar, especialmente cuando llegas tarde. La forma tradicional de buscar un lugar para aparcar puede ser tediosa y consumir mucho tiempo. Sin embargo, un sistema de gestión de aparcamientos impulsado por la inteligencia artificial (IA) y la visión artificial puede simplificar las cosas. Puede hacer que la disponibilidad de aparcamiento 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 codificación paso a paso para mostrarte cómo puedes utilizar el modelo Ultralytics YOLOv8 para crear un sistema de gestión de aparcamientos habilitado para la visión artificial. ¡Empecemos!
Antes de hablar de los sistemas de gestión de aparcamiento inteligentes mejorados con IA, veamos los problemas de los sistemas de gestión de aparcamiento tradicionales.
Un problema importante de los sistemas tradicionales es la saturación de los aparcamientos; hay más coches en los aparcamientos que plazas disponibles. Además de perder tiempo buscando sitio, la saturación provoca un consumo excesivo de combustible y contaminación atmosférica. Otro problema es el estrés del conductor. Según una encuesta, alrededor del 27% de las personas pasan al menos 30 minutos buscando aparcamiento. Además, el 43% de las personas admitieron haber tenido discusiones verbales con desconocidos por plazas de aparcamiento.
.webp)
Los estacionamientos integrados con IA tienen como objetivo resolver los problemas que enfrentan los sistemas tradicionales de gestión de estacionamientos. Los modelos de visión artificial como el modelo Ultralytics YOLOv8 y las cámaras de alta definición pueden monitorear los estacionamientos y obtener actualizaciones en tiempo real sobre los espacios de estacionamiento disponibles y ocupados.
¿Cómo funciona esto? Un modelo de visión artificial puede analizar imágenes de cámaras de alta definición para detectar vehículos, rastrear sus movimientos e identificar espacios de estacionamiento disponibles. El modelo YOLOv8 de Ultralytics admite tareas de visión artificial como la detección de objetos y el seguimiento de objetos, y puede identificar y clasificar con precisión los vehículos dentro de una transmisión de video. Al comparar las ubicaciones detectadas de los vehículos con los espacios de estacionamiento predefinidos, el sistema puede determinar si un espacio de estacionamiento está ocupado o no.
.webp)
La información sobre la disponibilidad de estacionamiento del sistema basado en visión artificial se puede integrar y extender a diferentes aplicaciones:
La información sobre la disponibilidad de estacionamiento puede proporcionar muchas ventajas. Las actualizaciones en tiempo real ayudan a los conductores a ir directamente a los espacios abiertos, lo que facilita el flujo de tráfico y reduce el estrés de encontrar estacionamiento. Para los operadores, comprender cómo se utilizan los espacios significa que pueden administrar mejor el lote, mejorar la seguridad con el monitoreo en tiempo real y responder rápidamente a cualquier incidente.
La automatización de las funciones de estacionamiento reduce los costes al disminuir la necesidad de mano de obra manual. Los sistemas de IA facilitan la reserva de plazas de aparcamiento a través de aplicaciones móviles o web, lo que permite a los conductores recibir notificaciones sobre la disponibilidad y ahorrar tiempo y dinero. Los planificadores urbanos pueden utilizar estos datos para diseñar mejores trazados de carreteras, aplicar normativas de estacionamiento eficaces y desarrollar nuevas instalaciones de aparcamiento que hagan que las ciudades sean más eficientes y fáciles de navegar.
Ahora que tenemos una comprensión clara de la gestión de aparcamientos y sus ventajas, profundicemos en cómo puede construir 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 una transmisión de cámara de un aparcamiento. Ten en cuenta que el tamaño máximo de imagen admitido por este ejemplo es de 1920 * 1080. Antes de empezar, recuerda que este sistema se basa en la detección precisa de vehículos y en las coordenadas predefinidas de las plazas de aparcamiento.
La calibración de la cámara y los factores ambientales pueden afectar la precisión de la detección de espacios y el estado de ocupación. La velocidad de procesamiento y la precisión también pueden variar según el rendimiento de su GPU.
Paso 1: Comencemos instalando el paquete Ultralytics. Abra su símbolo del sistema o terminal y ejecute el siguiente comando.
pip install ultralyticsConsulte nuestra guía de instalación de Ultralytics para obtener instrucciones detalladas y buenas prácticas sobre el proceso de instalación. Si encuentra algún problema al instalar los paquetes necesarios para YOLOv8, nuestra guía de problemas comunes ofrece soluciones y consejos útiles.
Paso 2: Necesitamos preseleccionar los lugares de estacionamiento para poder marcar las áreas de interés en su metraje. Ejecute este código para abrir la interfaz de usuario para preseleccionar los lugares de estacionamiento.
from ultralytics import solutions
solutions.ParkingPtsSelection()Como se muestra a continuación, se abrirá una interfaz de usuario al ejecutar este código. Tome un fotograma o captura de pantalla de su vídeo de entrada de un estacionamiento y cárguelo. Después de dibujar los cuadros delimitadores alrededor de los espacios de estacionamiento, haga clic en la opción de guardar. La información de los espacios de estacionamiento seleccionados se guardará en un archivo JSON llamado ‘bounding_boxes.json.’
Paso 3: Ahora, podemos pasar al código principal para la gestión del estacionamiento. Comience 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: Cree un objeto VideoCapture para leer el archivo de video de entrada y asegúrese de que el archivo de video se abra correctamente.
cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"Paso 5: Inicialice todas las propiedades de video necesarias, como el ancho, el alto 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 video 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 estacionamiento con el modelo YOLOv8 de Ultralytics para la detección de espacios de estacionamiento.
management = solutions.ParkingManagement(model_path="yolov8n.pt") Paso 8: Ahora, revisamos el archivo de video, fotograma por fotograma, para su procesamiento. Si no se leen fotogramas, el bucle se interrumpirá.
while cap.isOpened():
ret, im0 = cap.read()
if not ret:
breakPaso 9: Dentro del bucle, extraeremos las regiones de estacionamiento preseleccionadas del archivo JSON y rastrearemos los objetos en el 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 del cuadro delimitador 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 implica mostrar el fotograma actual con anotaciones y escribir el fotograma procesado en el archivo de video de salida “gestión de estacionamiento.avi.”
management.display_frames(im0)
video_writer.write(im0)Paso 12: Finalmente, podemos liberar los objetos VideoCapture y VideoWriter y destruir cualquier ventana.
cap.release()
video_writer.release()
cv2.destroyAllWindows()Paso 13: Guarde su script. Si está trabajando desde su terminal o símbolo del sistema, ejecute el script con el siguiente comando:
python your_script_name.pyNo dudes en consultar la documentación oficial de Ultralytics si deseas obtener más información sobre el código.
Los sistemas de estacionamiento inteligentes ofrecen muchas ventajas tanto para los conductores como para las empresas. Sin embargo, también presentan algunos desafíos que deben tenerse en cuenta antes de implementar tales soluciones. Echemos un vistazo a algunos de ellos.
La gestión innovadora del estacionamiento en el futuro consistirá en utilizar tecnologías de vanguardia como la IA, los coches autónomos y la realidad virtual para mejorar la experiencia general del estacionamiento y apoyar la sostenibilidad. Cuando se integran con estos sistemas, los coches autónomos podrán navegar hasta los lugares de estacionamiento sin interferencia humana y estacionar. Estos sistemas también ayudan a las empresas a llenar más plazas de estacionamiento y a anunciar sus servicios en múltiples aplicaciones y sitios web. También reducen el número de emisiones de carbono que emanan de los conductores que conducen buscando un lugar para estacionar.
Los modelos de IA, como Ultralytics YOLOv8, y la visión artificial pueden transformar su estacionamiento. Reducen drásticamente las vueltas en busca de lugares, lo que le ahorra tiempo y reduce las emisiones. Estos sistemas inteligentes de gestión de estacionamientos abordan problemas comunes como la congestión, el estacionamiento ilegal y la frustración del conductor. Si bien existe una inversión inicial, los beneficios a largo plazo son significativos. Invertir en estacionamiento inteligente es clave para crear ciudades sostenibles y una experiencia de estacionamiento más fluida para todos.
¿Quiere obtener más información sobre la IA? ¡Conéctese con nuestra comunidad! Explore nuestro repositorio de GitHub para obtener más información sobre cómo estamos utilizando la IA para crear soluciones innovadoras en diversas industrias como la atención médica y la agricultura. ¡Colabore, innove y aprenda con nosotros! 🚀
.webp)