Ultralytics YOLOv8 para sistemas de gestión de aparcamientos más inteligentes

Puede ser estresante dar vueltas buscando aparcamiento, especialmente cuando vas con prisa. La forma tradicional de buscar un lugar donde aparcar puede ser tediosa y lenta. Sin embargo, un sistema de gestión de aparcamiento basado en inteligencia artificial (IA) y 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 cómo mejorar los sistemas de gestión de aparcamiento con inteligencia artificial y visión artificial. También veremos un ejemplo de codificación paso a paso para mostrarte cómo puedes usar el modelo Ultralytics YOLOv8 para crear un sistema de gestión de aparcamiento basado en visión artificial. ¡Vamos a empezar!

Link to this sectionProblemas con la gestión tradicional de aparcamientos#

Antes de hablar de los sistemas inteligentes de gestión de aparcamiento mejorados con IA, veamos los problemas de los sistemas tradicionales.

Un problema importante de los sistemas tradicionales son las plazas de aparcamiento masificadas; hay más coches en los aparcamientos que plazas disponibles. Además de perder tiempo buscando sitio, la masificación 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 admitió haber tenido discusiones verbales con desconocidos por una plaza de aparcamiento.

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

Link to this sectionLa IA facilita la gestión de aparcamientos#

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

¿Cómo funciona esto? Un modelo de visión artificial puede analizar las imágenes de cámaras de alta definición para detectar vehículos, rastrear 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 con precisión vehículos dentro de una secuencia 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 aparcamiento proveniente del sistema basado en visión puede integrarse y ampliarse en diferentes aplicaciones:

• Aplicaciones móviles: Las aplicaciones móviles pueden mostrar la disponibilidad de aparcamiento en tiempo real y ayudar a los conductores a encontrar plazas libres rápida y fácilmente.
• Señalización digital: Las señales digitales en las entradas de los aparcamientos pueden mostrar el número de plazas disponibles y dirigir a los conductores a la plaza vacía más cercana.
• Sistemas de aparcamiento automatizados: Los datos pueden utilizarse para controlar barreras y puertas automáticas, permitiendo la entrada solo cuando hay plazas disponibles y guiando a los conductores hasta el lugar libre más cercano.

Link to this sectionLas ventajas de un sistema de gestión de aparcamiento#

Conocer la disponibilidad de aparcamiento puede proporcionar muchas ventajas. Las actualizaciones en tiempo real ayudan a los conductores a dirigirse directamente a las plazas libres, haciendo que el flujo de tráfico sea más fluido y reduciendo el estrés de encontrar aparcamiento. Para los operadores, comprender cómo se utilizan las plazas significa que pueden gestionar mejor el aparcamiento, mejorar la seguridad con vigilancia en tiempo real y responder rápidamente a cualquier incidente.

La automatización de las funciones de aparcamiento reduce los costes al disminuir la necesidad de mano de obra. Los sistemas de IA facilitan la reserva de plazas de aparcamiento a través de aplicaciones móviles o web, permitiendo a los conductores recibir notificaciones sobre la disponibilidad y ahorrar tiempo y dinero. Los urbanistas pueden utilizar estos datos para diseñar mejores trazados viarios, aplicar normativas de aparcamiento eficaces y desarrollar nuevas instalaciones de aparcamiento que hagan que las ciudades sean más eficientes y fáciles de transitar.

Fig 3. Reserva de plazas de aparcamiento a través de una aplicación móvil.

Link to this sectionPruébalo tú mismo: gestión de aparcamiento con YOLOv8#

Ahora que tenemos una comprensión clara de la gestión de aparcamientos y sus ventajas, profundicemos en cómo puedes crear un sistema de gestión de aparcamientos basado en visión. Usaremos el modelo YOLOv8 para detectar vehículos, monitorizar 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 admitido por este ejemplo es 1920 * 1080. Antes de empezar, recuerda que este sistema depende de una detección precisa de vehículos y de las 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 al estado de ocupación. La velocidad de procesamiento y la precisión también pueden variar en función del rendimiento de tu GPU.

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

pip install ultralytics

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

Paso 2: Necesitamos preseleccionar las plazas de aparcamiento para marcar las áreas de interés en tu metraje. 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, se abrirá una interfaz de usuario cuando ejecutes este código. Toma un fotograma o una captura de pantalla de tu vídeo de entrada de un aparcamiento y súbelo. 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. Selección de plazas de aparcamiento en tu metraje.

Paso 3: Ahora podemos pasar al código principal para la gestión de aparcamientos. Empieza importando todas las librerías 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 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 aparcamiento con el modelo Ultralytics YOLOv8 para la detección de plazas de aparcamiento.

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

Paso 8: Ahora, recorremos el archivo de vídeo, fotograma a fotograma, para su procesamiento. Si no se leen más fotogramas, el bucle se romperá.

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 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 rastreo 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 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 cerrar todas las ventanas.

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

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

python your_script_name.py

No dudes en consultar la documentación oficial de Ultralytics si quieres obtener más información sobre el código.

Link to this sectionDesafíos 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 desafíos que deben tenerse en cuenta antes de implementar dichas soluciones. Veamos algunos de ellos.

• Preocupaciones sobre la 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 automáticas y el software de IA pueden resultar caros de instalar.
• Requisitos de mantenimiento: La frecuencia del mantenimiento depende del sistema de IA, pero la mayoría de los sistemas requieren un mantenimiento mensual.

Link to this sectionEl futuro de los sistemas de aparcamiento inteligentes#

La gestión innovadora de aparcamientos en el futuro se basará en el uso de tecnologías de vanguardia como la IA, los coches autónomos y la realidad virtual para mejorar la experiencia general de aparcamiento y apoyar la sostenibilidad. Cuando se integren en estos sistemas, los coches autónomos podrán navegar hasta las plazas de aparcamiento y aparcar sin intervención humana. Estos sistemas también ayudan a las empresas a ocupar más plazas de aparcamiento y anunciar sus servicios a través de múltiples aplicaciones y sitios web. Además, reducen las emisiones de carbono que provienen de los conductores que dan vueltas buscando aparcamiento.

Link to this sectionAcabando con las molestias al aparcar#

Los modelos de IA, como Ultralytics YOLOv8, y la visión artificial pueden transformar tu aparcamiento. Reducen drásticamente el tiempo dando vueltas buscando sitio, ahorrándote tiempo y reduciendo las emisiones. Estos sistemas inteligentes de gestión de aparcamiento abordan problemas comunes como la congestión, el aparcamiento ilegal y la frustración del conductor. Aunque existe una inversión inicial, los beneficios a largo plazo son significativos. Invertir en aparcamiento inteligente es clave para crear ciudades sostenibles y una experiencia de aparcamiento más fluida para todos.

¿Quieres aprender más sobre IA? ¡Conecta con nuestra comunidad! Explora nuestro repositorio de GitHub para saber más sobre cómo usamos la IA para crear soluciones innovadoras en diversos sectores como la atención sanitaria y la agricultura. ¡Colabora, innova y aprende con nosotros! 🚀