Uso de Ultralytics YOLO11 para el reconocimiento automático de matrículas

A medida que aumenta la adopción de la IA, se generalizan las innovaciones basadas en el reconocimiento automático de matrículas (ANPR). Los sistemas ANPR utilizan la visión artificial para leer automáticamente las matrículas de los vehículos, identificarlos y hacer un seguimiento de ellos. Los recientes avances en IA han permitido integrar rápidamente estos sistemas en nuestra vida cotidiana. De hecho, es posible que hayas visto sistemas ANPR en peajes o en controles policiales de velocidad.

El reconocimiento de matrículas cobra cada vez más importancia, y se prevé que el mercado mundial de sistemas ANPR alcance los 4.800 millones de dólares en 2027. Uno de los factores que impulsan este crecimiento son las ventajas que ofrece ANPR en aplicaciones como la gestión del tráfico y la seguridad.

Para obtener los mejores resultados con las aplicaciones ANPR, es importante comprender las técnicas de IA en las que se basan estas soluciones. Por ejemplo, la detección de objetos, una tarea de visión artificial, es esencial para reconocer y seguir vehículos con precisión, y aquí es donde entran en juego modelos de visión artificial como Ultralytics YOLO11. En este artículo veremos cómo funciona ANPR y cómo YOLO11, en particular, puede mejorar las soluciones ANPR.

Fig. 1. Uso de modelos Ultralytics YOLO para ANPR.

Cómo funciona el reconocimiento automático de matrículas#

El reconocimiento automático de matrículas consta de varios pasos importantes para identificar las matrículas de los vehículos de forma rápida y precisa. Veamos cómo se combinan estos pasos para que el proceso sea eficiente:

• Captura de imágenes: En primer lugar, se utilizan cámaras para capturar imágenes de vehículos. Estas cámaras se pueden instalar en ubicaciones fijas, como peajes, o montarse en vehículos policiales para facilitar su desplazamiento.
• Detección de matrículas: A continuación, se utilizan modelos de detección de objetos como YOLO11 para encontrar la matrícula en la imagen.
• Reconocimiento óptico de caracteres (OCR): Después, se utiliza OCR para leer los caracteres de la matrícula en la imagen y convertirlos en texto legible por máquinas.
• Consulta en la base de datos: A continuación, se comparan los datos de texto con una base de datos para confirmar la información de la matrícula.

Fig. 2. Ejemplo del uso de modelos Ultralytics YOLO para detectar matrículas.

Los sistemas ANPR suelen enfrentarse a problemas como la mala iluminación, los distintos diseños de matrículas y las condiciones ambientales adversas. YOLO11 puede ayudar a abordar estos problemas al aumentar la precisión y la velocidad de detección, incluso en condiciones difíciles. Con modelos como YOLO11, ANPR puede funcionar de forma más fiable y facilitar la identificación de matrículas en tiempo real, tanto de día como de noche y con mal tiempo. En la siguiente sección veremos con más detalle cómo puedes utilizar YOLO11 para lograr estas mejoras.

Cómo puede mejorar YOLO11 un sistema ANPR#

Ultralytics YOLO11 se presentó por primera vez en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24). Como modelo de detección de objetos compatible con aplicaciones en tiempo real, YOLO11 es una gran opción para mejorar innovaciones como los sistemas ANPR. YOLO11 también es adecuado para aplicaciones de IA en el edge. Esto permite que las soluciones ANPR integradas con YOLO11 funcionen eficazmente incluso cuando la conexión de red no es fiable. Así, los sistemas ANPR pueden seguir funcionando en ubicaciones remotas o zonas con conectividad limitada.

YOLO11 también ofrece mejoras de eficiencia con respecto a sus predecesores. Por ejemplo, YOLO11m logra una precisión media promedio (mAP) superior en el conjunto de datos COCO con un 22 % menos de parámetros que YOLOv8m. Con YOLO11, los sistemas ANPR pueden gestionar mejor distintos desafíos, como los cambios en las condiciones de iluminación, la diversidad de diseños de matrículas y los vehículos en movimiento, lo que se traduce en un reconocimiento de matrículas más fiable y eficaz.

Fig. 3. Comparación de Ultralytics YOLO11 con versiones anteriores.

Si te preguntas cómo puedes utilizar YOLO11 en tu proyecto ANPR, es muy sencillo. Las variantes de los modelos YOLO11 compatibles con la detección de objetos se han preentrenado con el conjunto de datos COCO. Estos modelos pueden detectar 80 tipos distintos de objetos, como coches, bicicletas y animales. Aunque las matrículas no forman parte de las etiquetas preentrenadas, puedes entrenar YOLO11 fácilmente con datos personalizados para detectar matrículas mediante el paquete de Python de Ultralytics o la Ultralytics Platform, una plataforma sin código y anteriormente llamada Ultralytics HUB. Puedes crear tu propio conjunto de datos o partir de uno público, como el conjunto de datos de matrículas de coches, para adaptar tu modelo YOLO11 personalizado a ANPR.

Aplicaciones de un sistema ANPR integrado con YOLO11#

A continuación, veremos distintas aplicaciones en las que ANPR y YOLO11 pueden combinarse para mejorar la eficiencia y la precisión.

Detección de matrículas en tiempo real para la gestión del tráfico y la aplicación de la ley#

En ciudades bulliciosas, con coches que circulan por cruces y autopistas, los agentes de tráfico deben gestionar los atascos, vigilar las infracciones y garantizar la seguridad pública. ANPR, integrado con YOLO11, puede marcar una gran diferencia en estas tareas. Al reconocer las matrículas de los vehículos al instante, las autoridades pueden vigilar el flujo del tráfico, hacer cumplir las normas de tráfico e identificar rápidamente los vehículos implicados en infracciones. Por ejemplo, los vehículos que superan el límite de velocidad se pueden detectar fácilmente.

Fig. 4. Detección e identificación de vehículos que superan el límite de velocidad con ANPR y YOLO11.

En general, ANPR con YOLO11 puede automatizar tareas que, de otro modo, requerirían trabajo manual. Puede detectar vehículos que se saltan semáforos en rojo y gestionar las operaciones de los peajes. Automatizar estas tareas no solo hace que el sistema sea más eficiente, sino que también reduce la carga de trabajo de los agentes de tráfico y les permite centrarse en responsabilidades más importantes.

En el ámbito policial, YOLO11 y ANPR pueden colaborar para seguir vehículos robados e identificar aquellos señalados por actividades sospechosas. La detección en tiempo real de YOLO11 permite reconocer los vehículos de forma rápida y fiable, incluso cuando circulan a gran velocidad. Esta capacidad contribuye a mejorar la seguridad pública al permitir respuestas más rápidas y una aplicación de la ley más eficaz.

Sistemas de gestión del aparcamiento de última generación y ANPR#

Otra aplicación interesante de ANPR con YOLO11 son los sistemas de gestión del aparcamiento. Por ejemplo, permite que los coches entren, aparquen y salgan de los aparcamientos sin que el conductor tenga que interactuar con una máquina de tickets ni con un empleado. Los sistemas de aparcamiento ANPR que utilizan YOLO11 pueden facilitar la entrada, la salida y el pago.

Fig. 5. Gestión de aparcamientos con modelos Ultralytics YOLO.

Cuando un vehículo se acerca a la barrera de entrada, ANPR con YOLO11 reconoce la matrícula al instante. A continuación, el sistema la contrasta con una base de datos de vehículos prerregistrados o crea una nueva entrada. La barrera se abre automáticamente y deja pasar el vehículo sin necesidad de intervención manual. Este proceso más rápido resulta más cómodo para los conductores.

Del mismo modo, cuando un vehículo sale, el sistema vuelve a detectar la matrícula mediante YOLO11. Calcula el tiempo de estacionamiento y puede procesar automáticamente el pago si el vehículo tiene asociado un método de pago. La automatización elimina la necesidad de máquinas de pago físicas y ayuda a reducir los atascos en las salidas, sobre todo en las horas punta.

La capacidad de YOLO11 para detectar matrículas con precisión y en tiempo real es clave para que estos sistemas de gestión de aparcamientos funcionen sin problemas. Además de facilitar el aparcamiento, ayuda a los operadores a gestionar mejor sus instalaciones al reducir el trabajo manual y mejorar la fluidez del tráfico.

Uso de ANPR para el control de acceso en sistemas de seguridad#

Los sistemas ANPR integrados con YOLO11 son una opción excelente para gestionar el acceso a zonas seguras, como comunidades cerradas, campus corporativos e instalaciones restringidas. Al utilizar ANPR, estos lugares pueden automatizar su seguridad y garantizar que solo accedan los vehículos autorizados.

Fig. 6. Uso de ANPR para permitir la entrada de vehículos autorizados en zonas seguras.

Es similar al sistema de gestión de aparcamientos que hemos comentado antes. La principal diferencia es que el sistema comprueba la matrícula con una lista de vehículos autorizados. Si el vehículo está aprobado, la barrera se abre automáticamente y permite el acceso rápido a residentes, empleados o visitantes, sin dejar de mantener una seguridad estricta. El proceso reduce la necesidad de realizar comprobaciones manuales y permite al personal de seguridad centrarse en tareas más importantes.

Los sistemas ANPR son una pieza clave del futuro de las ciudades inteligentes#

Ahora que hemos repasado algunas aplicaciones de los sistemas ANPR integrados con YOLO11, pensemos en ellas de forma más conectada.

Además de sus aplicaciones individuales, sus ventajas brillan de verdad cuando se consideran como una solución integrada para la infraestructura urbana de las ciudades inteligentes. A medida que las ciudades evolucionan para ser más inteligentes, los sistemas ANPR desempeñan un papel cada vez más importante en la infraestructura urbana.

Por ejemplo, imagina una ciudad inteligente donde se utiliza ANPR para gestionar el tráfico, conceder acceso seguro y agilizar el aparcamiento, todo a la vez. Se podría detectar un vehículo al entrar en la ciudad, hacer un seguimiento de él durante todo el trayecto, permitirle acceder a zonas restringidas y dejarle aparcar sin ninguna intervención manual.

Al integrar modelos de visión artificial como YOLO11, ANPR puede ayudar a gestionar el tráfico de forma más eficiente, reforzar la seguridad y mejorar la seguridad pública. Estos sistemas permiten la supervisión en tiempo real, la automatización de procesos y la toma de decisiones basada en datos, aspectos esenciales para gestionar la creciente complejidad de las ciudades modernas.

Una última mirada a ANPR con YOLO11#

Los sistemas ANPR son cada vez más esenciales para las infraestructuras urbanas modernas, y la integración de modelos de visión artificial como YOLO11 los hace aún más útiles. YOLO11 mejora ANPR gracias a una mayor precisión, el procesamiento en tiempo real y la adaptabilidad, por lo que resulta ideal para aplicaciones de ciudades inteligentes. Desde mejorar la gestión del tráfico y la aplicación de la ley hasta automatizar el aparcamiento y el acceso seguro, los sistemas ANPR basados en YOLO11 aportan eficiencia y fiabilidad. A medida que las ciudades se vuelven más inteligentes, es probable que estas soluciones desempeñen un papel fundamental en la transformación de la vida urbana y en el desarrollo de las infraestructuras inteligentes del futuro.

Para obtener más información sobre IA, visita nuestro repositorio de GitHub y participa en nuestra comunidad. Descubre aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones.