Uso de Ultralytics YOLO11 para el reconocimiento automático de matrículas

A medida que aumenta la adopción de IA, las innovaciones que dependen del Reconocimiento Automático de Matrículas (ANPR) se vuelven más comunes. Los sistemas ANPR utilizan visión artificial para leer automáticamente las matrículas de los vehículos y detectarlos y seguirlos. Recientemente, los avances en IA han hecho posible integrar rápidamente dichos sistemas en nuestra vida cotidiana. De hecho, es posible que hayas visto sistemas ANPR en cabinas de peaje o durante controles policiales de vehículos que superan la velocidad permitida.

El reconocimiento de matrículas es cada vez más importante, y se espera que el mercado global de sistemas ANPR alcance los 4800 millones de dólares para 2027. Un factor clave en este crecimiento son los beneficios que ofrece el ANPR a aplicaciones como la gestión del tráfico y la seguridad.

Para obtener los mejores resultados en aplicaciones de ANPR, es importante comprender las técnicas de IA que hay detrás de estas soluciones. Por ejemplo, la detección de objetos, una tarea de visión artificial, es fundamental para reconocer y rastrear vehículos con precisión, y aquí es donde entran en juego modelos de visión artificial como Ultralytics YOLO11. En este artículo, analizaremos cómo funciona el ANPR y cómo YOLO11, en concreto, puede mejorar las soluciones de ANPR.

Fig 1. Uso de modelos Ultralytics YOLO para ANPR.

Link to this sectionCómo funciona el reconocimiento automático de matrículas#

El reconocimiento automático de matrículas implica algunos pasos importantes para identificar rápida y precisamente las matrículas de los vehículos. Vamos a desglosar cómo funcionan estos pasos conjuntamente para que el proceso sea eficiente:

• Captura de imagen: Primero, se utilizan cámaras para capturar imágenes de los vehículos. Estas cámaras pueden instalarse en ubicaciones fijas, como cabinas de peaje, o montarse en vehículos policiales para mayor movilidad.
• 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 placa (en la imagen), convirtiéndolos en texto legible por máquina.
• Consulta a la base de datos: Los datos de texto se contrastan entonces con una base de datos para confirmar la información de la matrícula.

Fig 2. Un ejemplo del uso de modelos Ultralytics YOLO para la detección de matrículas.

Los sistemas ANPR a menudo pueden enfrentarse a retos como la mala iluminación, diferentes diseños de matrículas y condiciones ambientales difíciles. YOLO11 puede ayudar a abordar estas preocupaciones impulsando la precisión y la velocidad de detección, incluso cuando las condiciones son difíciles. Con modelos como YOLO11, el ANPR puede funcionar de forma más fiable, facilitando la identificación de matrículas en tiempo real, tanto de día como de noche, o con mal tiempo. En la siguiente sección, analizaremos más detenidamente cómo puedes usar YOLO11 para lograr estas mejoras.

Link to this sectionCómo YOLO11 puede mejorar 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 que admite aplicaciones en tiempo real, YOLO11 es una excelente opción para mejorar innovaciones como los sistemas ANPR. YOLO11 también es adecuado para aplicaciones de Edge AI. Esto permite que las soluciones ANPR integradas con YOLO11 operen eficazmente, incluso cuando una conexión de red no es fiable. Como resultado, los sistemas ANPR pueden funcionar sin problemas en ubicaciones remotas o zonas con conectividad limitada.

YOLO11 también aporta mejoras de eficiencia en comparación con sus predecesores. Por ejemplo, YOLO11m logra una mayor precisión media (mAP) en el conjunto de datos COCO con un 22% menos de parámetros en comparación con YOLOv8m. Con YOLO11, los sistemas ANPR pueden gestionar mejor diversos desafíos como las condiciones de iluminación cambiantes, los diseños variados de matrículas y los vehículos en movimiento, lo que resulta en un reconocimiento de matrículas más fiable y eficaz.

Fig 3. Comparando Ultralytics YOLO11 con versiones anteriores.

Si te preguntas cómo puedes usar YOLO11 en tu proyecto ANPR, es muy sencillo. Las variaciones de los modelos YOLO11 que admiten la detección de objetos han sido preentrenadas en el conjunto de datos COCO. Estos modelos pueden detectar 80 tipos diferentes de objetos, como coches, bicicletas y animales. Aunque las matrículas no forman parte de las etiquetas preentrenadas, los usuarios pueden entrenar fácilmente YOLO11 de forma personalizada para detectar matrículas utilizando el paquete Python de Ultralytics o la plataforma sin código Ultralytics HUB. Los usuarios tienen la flexibilidad de crear o utilizar un conjunto de datos de matrículas específico para hacer que su modelo YOLO11 entrenado a medida sea perfecto para el ANPR.

Link to this sectionAplicaciones de un sistema ANPR integrado con YOLO11#

A continuación, analizaremos las diversas aplicaciones donde el ANPR y YOLO11 pueden utilizarse conjuntamente para mejorar la eficiencia y la precisión.

Link to this sectionDetección de matrículas en tiempo real para tráfico y cumplimiento de la ley#

En ciudades bulliciosas con coches circulando por intersecciones y autopistas, los agentes de tráfico tienen que gestionar la congestión, supervisar las infracciones de tráfico y garantizar la seguridad pública. El ANPR, cuando se integra con YOLO11, puede marcar una gran diferencia en estos esfuerzos. Al reconocer las matrículas de los vehículos al instante, las autoridades pueden vigilar el flujo del tráfico, hacer cumplir las leyes de tráfico e identificar rápidamente los vehículos implicados en infracciones. Por ejemplo, los vehículos que superan la velocidad permitida pueden ser detectados fácilmente.

Fig 4. Detección e identificación de vehículos que superan la velocidad permitida con ANPR y YOLO11.

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

En el cumplimiento de la ley, YOLO11 y el ANPR pueden trabajar juntos para hacer seguimiento de vehículos robados e identificar aquellos marcados por actividades sospechosas. La detección en tiempo real de YOLO11 garantiza que los vehículos sean reconocidos de forma rápida y fiable, incluso cuando se mueven a gran velocidad. Esta capacidad ayuda a mejorar la seguridad pública al permitir tiempos de respuesta más rápidos y una aplicación de la ley más eficaz.

Link to this sectionSistemas de gestión de aparcamientos de vanguardia y ANPR#

Otra aplicación apasionante del ANPR con YOLO11 es en los sistemas de gestión de aparcamientos. Por ejemplo, permite crear aparcamientos donde los coches pueden entrar, aparcar y salir sin que el conductor tenga que interactuar con una máquina expendedora de tickets o un asistente. Los sistemas de aparcamiento ANPR que utilizan YOLO11 pueden ayudar a suavizar los procesos de entrada, salida y pago.

Fig 5. Gestión de aparcamientos utilizando modelos Ultralytics YOLO.

Cuando un vehículo se acerca a la puerta de entrada, el ANPR impulsado por YOLO11 reconoce la matrícula al instante. A continuación, el sistema coteja la placa con una base de datos preinscrita o crea una nueva entrada. La puerta se abre automáticamente, dejando entrar al vehículo sin pasos manuales. El proceso acelerado crea una experiencia más cómoda 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 está registrado con un método de pago. La automatización elimina la necesidad de máquinas de pago físicas y ayuda a reducir la congestión en las salidas, especialmente 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 hacer el aparcamiento más cómodo, ayuda a los operadores a gestionar mejor sus instalaciones reduciendo el trabajo manual y mejorando el flujo de tráfico.

Link to this sectionUso de ANPR para el control de acceso en sistemas de seguridad#

Los sistemas ANPR integrados con YOLO11 son una gran opción para gestionar el acceso a áreas seguras como comunidades cerradas, campus corporativos e instalaciones restringidas. Al utilizar el ANPR, estas ubicaciones pueden automatizar su seguridad, asegurándose de que solo se permita el acceso a los vehículos autorizados.

Fig 6. Uso del ANPR para permitir la entrada de vehículos autorizados a áreas seguras.

Es similar al sistema de gestión de aparcamientos que comentamos anteriormente. La principal diferencia es que el sistema comprueba la matrícula con una lista de vehículos autorizados. Si el vehículo está aprobado, la puerta se abre automáticamente, proporcionando un acceso fluido para residentes, empleados o visitantes mientras se mantiene una seguridad estricta. El proceso reduce la necesidad de controles manuales, permitiendo al personal de seguridad centrarse en tareas más importantes.

Link to this sectionLos sistemas ANPR son una parte clave del futuro de las ciudades inteligentes#

Ahora que hemos recorrido algunas aplicaciones de los sistemas ANPR integrados con YOLO11, pensemos en estas aplicaciones de una manera más conectada.

Más allá de ser aplicaciones individuales, sus ventajas realmente brillan cuando se ven como una solución cohesiva en la infraestructura urbana para 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, considera una ciudad inteligente donde el ANPR se utiliza para gestionar el tráfico, conceder acceso seguro y agilizar el aparcamiento, todo a la vez. Un vehículo podría ser detectado al entrar en la ciudad, seguido durante todo su trayecto, obtener acceso a áreas restringidas y aparcar sin ninguna intervención manual.

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

Link to this sectionUna última mirada al ANPR con YOLO11#

Los sistemas ANPR se están volviendo esenciales para la infraestructura urbana moderna, y la integración de modelos de visión artificial como YOLO11 los hace aún más beneficiosos. YOLO11 mejora el ANPR con mayor precisión, procesamiento en tiempo real y adaptabilidad, lo que lo hace ideal para aplicaciones de ciudades inteligentes. Desde la mejora de la gestión del tráfico y el cumplimiento de la ley hasta la automatización del aparcamiento y el acceso seguro, los sistemas ANPR impulsados por YOLO11 aportan eficiencia y fiabilidad. A medida que las ciudades se vuelven más inteligentes, es probable que estas soluciones desempeñen un papel crucial en la transformación de la vida urbana y el apoyo al futuro de la infraestructura inteligente.

Para obtener más información sobre IA, visita nuestro repositorio en GitHub e interactúa con nuestra comunidad. Explora aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones. 🚀