Construis un système ANPR avec Ultralytics YOLO11 et GPT-4o Mini
Apprends à créer un système ANPR en utilisant Ultralytics YOLO11 pour la détection de plaques d'immatriculation et GPT-4o Mini pour la reconnaissance de texte avec une précision en temps réel.
Trouver une place de parking dans un lot bondé, attendre dans de longues files au péage ou rester bloqué aux points de contrôle de sécurité est frustrant. Les contrôles manuels des véhicules prennent souvent trop de temps et causent des retards. Sans système automatisé, le suivi efficace des voitures peut être complexe.
Computer vision a changé la donne en permettant la reconnaissance de plaques d'immatriculation en temps réel à partir d'images et de flux vidéo. Par exemple, Ultralytics YOLO11 est un modèle de vision par ordinateur avancé capable d'exécuter des tâches d'IA visuelle complexes telles que la détection d'objets, la classification et le suivi. Grâce aux capacités de détection d'objets de YOLO11, tu peux détecter avec précision les plaques d'immatriculation des véhicules dans les images.
Ultralytics propose des notebooks Google Colab complets qui simplifient le processus de création de solutions propulsées par l'IA visuelle. Ces notebooks sont préconfigurés avec les dépendances essentielles, les modèles et des guides étape par étape, ce qui facilite la création d'applications. En particulier, il existe un notebook Colab dédié à l'ANPR (reconnaissance automatique des plaques d'immatriculation).
Dans cet article, en utilisant le notebook Colab d'Ultralytics pour l'ANPR, nous explorerons comment construire une solution ANPR en utilisant Ultralytics YOLO11 pour la détection de plaques d'immatriculation et GPT-4o Mini pour la reconnaissance de texte.
Comprendre l'ANPR#
Le suivi manuel des voitures demande du temps et favorise les erreurs, en particulier lorsqu'elles se déplacent rapidement. Vérifier chaque plaque d'immatriculation une par une ralentit le processus et augmente le risque d'erreurs. La reconnaissance automatique des plaques d'immatriculation résout ce problème en utilisant la vision par ordinateur pour détecter et lire instantanément les plaques d'immatriculation, rendant la surveillance du trafic et la sécurité plus efficaces.
Les systèmes ANPR peuvent capturer des images ou des vidéos de véhicules qui passent et utiliser la détection d'objets en temps réel pour identifier les plaques d'immatriculation. Une fois détectée, la reconnaissance de texte est utilisée pour extraire les numéros de plaque automatiquement, sans besoin d'intervention humaine. Ce processus garantit des résultats précis, même lorsque les véhicules se déplacent rapidement ou que les plaques sont partiellement obscurcies.
Fig 1. Un exemple d'utilisation d'Ultralytics YOLO11 pour détecter une plaque d'immatriculation.
De nos jours, les péages, les systèmes de stationnement et les forces de l'ordre s'appuient de plus en plus sur l'ANPR pour suivre les véhicules efficacement.
Défis liés à la technologie ANPR#
Bien que l'ANPR identifie rapidement les véhicules, il reste certains défis qui peuvent affecter sa précision. Voici quelques problèmes courants qui peuvent impacter le fonctionnement d'un système ANPR :
- Faible luminosité et mauvaises conditions météo : Les plaques d'immatriculation deviennent plus difficiles à lire la nuit et par mauvais temps. Le brouillard, la pluie et l'éblouissement des phares peuvent brouiller le texte, le rendant illisible.
- Plaques floues ou masquées : Une voiture se déplaçant rapidement peut laisser une image floue, surtout si la vitesse d'obturation de la caméra est trop lente. La saleté, les rayures ou des parties de la plaque masquées peuvent également causer des problèmes de reconnaissance. Utiliser des caméras de haute qualité avec les bons réglages aide à obtenir des résultats plus clairs.
- Designs de plaques incohérents : Toutes les plaques ne se ressemblent pas. Certaines ont des polices fantaisistes, du texte supplémentaire ou des logos qui confondent le système.
- Risques de confidentialité et sécurité des données : Stocker les données des véhicules en toute sécurité est important. Les mesures de sécurité appropriées peuvent prévenir les accès non autorisés et garder les informations protégées. Avec des mesures de protection adéquates, les systèmes ANPR peuvent être à la fois sécurisés et fiables.
Comment Ultralytics YOLO11 améliore les systèmes ANPR#
Ultralytics YOLO11 peut rendre les systèmes ANPR plus rapides et plus précis. Il traite les images rapidement tout en maintenant la précision et ne nécessite pas une puissance de calcul élevée, ce qui lui permet de bien fonctionner sur tout type d'appareil, des petites caméras de sécurité aux grands systèmes de trafic.
Grâce à l'entraînement personnalisé, Ultralytics YOLO11 peut s'adapter à différents styles de plaques d'immatriculation, langues et environnements. Il offre également de bonnes performances dans des conditions difficiles telles que la faible luminosité, le flou de mouvement et les angles complexes lorsqu'il est entraîné de manière personnalisée sur des ensembles de données spécialisés incluant des images de ces conditions.
En identifiant les véhicules instantanément, Ultralytics YOLO11 aide à réduire les temps d'attente, à prévenir les erreurs et à améliorer la sécurité. Cela fluidifie le trafic et rend les opérations plus efficaces dans les parkings, les péages et les systèmes de surveillance.
Créer un système ANPR avec Ultralytics YOLO11 et GPT-4o Mini#
Ensuite, découvrons comment créer un système ANPR en utilisant Ultralytics YOLO11 et GPT-4o Mini.
Nous allons explorer le code présenté dans le notebook Google Colab d'Ultralytics pour cette solution. Le notebook Google Colab est facile à utiliser et tout le monde peut créer un système ANPR sans nécessiter de configuration compliquée.
Étape 1 : Configuration de l'environnement#
Pour commencer, nous aurons besoin d'installer nos dépendances, c'est-à-dire les progiciels et bibliothèques essentiels nécessaires pour exécuter notre système ANPR. Ces dépendances aident pour des tâches comme la détection d'objets, le traitement d'image et la reconnaissance de texte, garantissant que le système fonctionne efficacement.
Nous allons installer le paquet Python d'Ultralytics comme indiqué ci-dessous. Ce paquet fournit des modèles pré-entraînés, des utilitaires d'entraînement et des outils d'inférence, facilitant la détection et la reconnaissance des plaques d'immatriculation avec YOLO11.
Fig 2. Installation du package Python Ultralytics.
Nous devrons également configurer GPT-4o Mini pour la reconnaissance de texte. Comme GPT-4o Mini est responsable de l'extraction du texte des plaques détectées, nous avons besoin d'une clé API pour accéder au modèle. Cette clé peut être obtenue en s'inscrivant à l'API GPT-4o Mini. Une fois que tu as la clé, elle peut être ajoutée au notebook Colab afin que le système puisse se connecter au modèle et traiter les numéros de plaque.
Après avoir terminé la configuration et exécuté le code d'installation, Ultralytics YOLO11 sera prêt à détecter les plaques d'immatriculation, et GPT-4o Mini sera configuré pour reconnaître et extraire le texte de celles-ci.
Étape 2 : Télécharger le modèle personnalisé#
Maintenant que tout est configuré, l'étape suivante consiste à télécharger le modèle Ultralytics YOLO11 qui a été entraîné sur mesure pour détecter les plaques d'immatriculation. Puisque ce modèle a déjà été entraîné pour détecter les plaques minéralogiques, il n'est pas nécessaire de l'entraîner à partir de zéro. Tu peux simplement le télécharger, et il est prêt à l'emploi. Cela fait gagner du temps et simplifie grandement le processus.
De plus, nous téléchargerons un fichier vidéo d'exemple pour tester le système. Si tu le souhaites, tu peux exécuter cette solution sur tes propres fichiers vidéo également. Une fois téléchargés, le modèle et les fichiers vidéo seront stockés dans l'environnement du notebook.
Fig 3. Téléchargement du modèle et du fichier vidéo.
Étape 3 : Charger la vidéo et démarrer la détection#
Une fois le modèle prêt, il est temps de le voir en action. D'abord, le fichier vidéo est chargé pour traitement, en s'assurant qu'il s'ouvre correctement. Un enregistreur vidéo est ensuite configuré pour sauvegarder les séquences traitées avec les plaques d'immatriculation détectées tout en conservant la taille et le taux de rafraîchissement d'origine. Enfin, le modèle est chargé pour détecter les plaques d'immatriculation dans chaque image de la vidéo.
Fig 4. Lecture de la vidéo et chargement du modèle.
Une fois le modèle chargé, le système commencera à analyser chaque image de la vidéo pour détecter les plaques d'immatriculation. Lorsqu'une plaque est trouvée, le système la met en évidence avec un cadre de détection, facilitant ainsi son identification. Cette étape garantit que seuls les détails pertinents sont capturés, filtrant les informations d'arrière-plan inutiles. Avec les plaques détectées avec succès, la vidéo est maintenant prête pour l'étape suivante.
Étape 4 : Extraction du texte des plaques d'immatriculation#
Après avoir détecté une plaque d'immatriculation, l'étape suivante est la reconnaissance de texte. Le système recadre d'abord la plaque à partir de l'image vidéo, éliminant toute distraction pour une vue claire. Cela aide à se concentrer sur les détails, améliorant la précision même dans des conditions difficiles comme une faible luminosité ou un flou de mouvement.
Une fois la plaque isolée, GPT-4o Mini analyse l'image, extrait les chiffres et les lettres, et les convertit en texte lisible. Le texte reconnu est ensuite réinséré dans la vidéo, étiquetant chaque plaque détectée en temps réel.
Une fois ces étapes terminées, le système ANPR est pleinement fonctionnel et prêt à reconnaître les plaques d'immatriculation avec facilité.
Étape 5 : Sauvegarde de la vidéo traitée#
L'étape finale enregistre la vidéo traitée et nettoie les fichiers temporaires, garantissant que tout fonctionne parfaitement.
Chaque image traitée, avec les plaques détectées et le texte reconnu, est écrite dans la vidéo de sortie finale. Une fois toutes les images traitées, le système ferme le fichier vidéo qu'il lisait, libérant de la mémoire et des ressources système. Il finalise et sauvegarde également la vidéo de sortie, la rendant prête pour la lecture ou une analyse ultérieure.
Fig 5. Utilisation de YOLO11 et GPT-4o Mini pour l'ANPR.
Déployer un système ANPR#
Après avoir construit et testé une solution ANPR, l'étape suivante consiste à la déployer dans un environnement réel. La plupart des modèles de vision par ordinateur dépendent d'une informatique haute performance, mais Ultralytics YOLO11 est optimisé pour Edge AI. Il peut fonctionner efficacement sur de petits appareils sans nécessiter de traitement dans le cloud ni de connexion Internet constante, ce qui en fait un excellent choix pour les emplacements aux ressources limitées.
Par exemple, une communauté fermée peut déployer Ultralytics YOLO11 sur un appareil en périphérie pour identifier les véhicules à leur entrée, éliminant ainsi le besoin de grands serveurs. Tout est traité sur place en temps réel, garantissant un accès fluide, une congestion réduite et une sécurité renforcée.
Fig 6. Détection de plaques d'immatriculation avec YOLO11.
Parallèlement, dans les zones bénéficiant d'une connectivité internet stable, l'ANPR basé sur le cloud peut gérer plusieurs caméras simultanément. Par exemple, dans un centre commercial, il peut suivre les véhicules à travers différentes entrées et stocker les numéros de plaque dans un système central, facilitant la surveillance du parking, l'amélioration de la sécurité et la gestion du flux de véhicules à distance.
L'avenir de l'ANPR#
Mettre en place un système de reconnaissance automatique de plaques d'immatriculation (ANPR) est simple avec Ultralytics YOLO11. Il détecte avec précision les plaques et peut être personnalisé pour s'adapter à différents environnements et exigences.
Les systèmes ANPR renforcent la sécurité, rationalisent la gestion des parkings et améliorent la surveillance du trafic. En automatisant la reconnaissance des plaques, ils réduisent les erreurs, accélèrent l'identification et rendent le suivi des véhicules plus efficace dans diverses applications.
Rejoins notre communauté et visite notre dépôt GitHub pour voir l'IA en action. Explore nos options de licence et découvre-en davantage sur l'IA de vision dans la fabrication et l'IA dans les voitures autonomes sur nos pages de solutions.
