Crée un système ANPR avec Ultralytics YOLO11 et GPT-4o Mini

Chercher une place dans un stationnement bondé, attendre dans de longues files au péage ou rester bloqué aux contrôles de sécurité est frustrant. Les vérifications manuelles des véhicules prennent souvent trop de temps et causent des retards. Sans système automatisé, suivre efficacement les voitures peut être difficile.

La vision par ordinateur a changé la donne en permettant la reconnaissance des 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 qui prend en charge des tâches de vision par IA comme la détection, la classification et le suivi d’objets. Grâce aux capacités de détection d’objets de YOLO11, tu peux détecter avec précision les plaques d’immatriculation des véhicules dans des images.

Ultralytics propose des notebooks Google Colab complets qui simplifient la création de solutions propulsées par l’IA visuelle. Ces notebooks sont préconfigurés avec les dépendances et les modèles essentiels, ainsi que des guides étape par étape, ce qui facilite la création d’applications. Il existe notamment un notebook Colab consacré à l’ANPR (reconnaissance automatique des plaques d’immatriculation).

Dans cet article, nous allons utiliser le notebook Colab Ultralytics consacré à l’ANPR pour découvrir comment créer une solution d’ANPR avec Ultralytics YOLO11 pour détecter les plaques d’immatriculation et GPT-4o Mini pour reconnaître le texte.

Comprendre l’ANPR#

Suivre manuellement les voitures prend du temps et est sujet aux erreurs, surtout lorsqu’elles roulent vite. Vérifier chaque plaque d’immatriculation une par une ralentit le processus et augmente le risque d’erreur. La reconnaissance automatique des plaques d’immatriculation résout ce problème en utilisant la vision par ordinateur pour détecter et lire instantanément les plaques, ce qui rend la surveillance de la circulation 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 la plaque détectée, la reconnaissance de texte permet d’en extraire automatiquement les caractères, sans intervention humaine. Ce processus garantit des résultats précis même lorsque les véhicules roulent vite ou que les plaques sont partiellement masquées.

Fig. 1. Exemple d’utilisation d’Ultralytics YOLO11 pour détecter une plaque d’immatriculation.

Aujourd’hui, les péages, les systèmes de stationnement et les forces de l’ordre s’appuient de plus en plus sur l’ANPR pour suivre efficacement les véhicules.

Défis liés à la technologie ANPR#

Même si l’ANPR identifie rapidement les véhicules, certains défis peuvent encore nuire à sa précision. Voici quelques problèmes courants susceptibles d’affecter le fonctionnement d’un système d’ANPR :

• Faible luminosité et mauvais temps : les plaques d’immatriculation sont plus difficiles à lire la nuit et par mauvais temps. Le brouillard, la pluie et l’éblouissement des phares peuvent rendre le texte flou et illisible.
• Plaques floues ou masquées : une voiture qui roule vite peut produire une image floue, surtout si la vitesse d’obturation de la caméra est trop faible. La saleté, les rayures ou les parties de la plaque masquées peuvent également nuire à la reconnaissance. L’utilisation de caméras de qualité avec les bons réglages permet d’obtenir des résultats plus nets.
• Variabilité de la conception des plaques : les plaques ne sont pas toutes identiques. Certaines comportent des polices fantaisistes, du texte supplémentaire ou des logos qui peuvent perturber le système.
• Risques pour la vie privée et sécurité des données : il est important de stocker les données des véhicules de manière sécurisée. Des mesures de sécurité adaptées peuvent empêcher les accès non autorisés et protéger les informations. Avec des protections adéquates, les systèmes d’ANPR peuvent être à la fois sûrs et fiables.

Comment Ultralytics YOLO11 améliore les systèmes d’ANPR#

Ultralytics YOLO11 peut rendre les systèmes d’ANPR plus rapides et plus précis. Il traite rapidement les images tout en préservant la précision, sans nécessiter une grande puissance de calcul. Il fonctionne ainsi aussi bien sur de petites caméras de sécurité que dans de grands systèmes de gestion de la circulation.

Grâce à l’entraînement personnalisé, Ultralytics YOLO11 peut s’adapter à différents styles de plaques d’immatriculation, à différentes langues et à différents environnements. Les jeux de données publics comme Car License Plate sur Ultralytics Platform constituent un bon point de départ. Le modèle donne également de bons résultats dans des conditions difficiles, comme un faible éclairage, un flou de mouvement et des angles complexes, lorsqu’il est entraîné sur mesure avec des jeux de données spécialisés contenant des images de ces conditions.

En identifiant instantanément les véhicules, Ultralytics YOLO11 contribue à réduire les temps d’attente, à éviter les erreurs et à renforcer la sécurité. La circulation est ainsi plus fluide et les opérations plus efficaces dans les stationnements, les péages et les systèmes de surveillance.

Créer un système d’ANPR avec Ultralytics YOLO11 et GPT-4o Mini#

Voyons maintenant comment créer un système d’ANPR avec Ultralytics YOLO11 et GPT-4o Mini.

Nous allons examiner le code présenté dans le notebook Google Colab Ultralytics consacré à cette solution. Le notebook Google Colab est facile à utiliser et permet à chacun de créer un système d’ANPR sans configuration complexe.

Étape 1 : Configurer l’environnement#

Pour commencer, nous devons installer les dépendances, c’est-à-dire les logiciels et bibliothèques essentiels à l’exécution de notre système d’ANPR. Ces dépendances contribuent à des tâches comme la détection d’objets, le traitement d’images et la reconnaissance de texte, afin d’assurer le fonctionnement efficace du système.

Nous allons installer le package Python Ultralytics, comme indiqué ci-dessous. Ce package fournit des modèles préentraînés, des utilitaires d’entraînement et des outils d’inférence, ce qui facilite 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 extrait le texte des plaques détectées, nous avons besoin d’une clé API pour accéder au modèle. Tu peux obtenir cette clé en t’inscrivant à l’API OpenAI. Une fois en ta possession, tu peux l’ajouter au notebook Colab afin que le système puisse se connecter au modèle et traiter les numéros des plaques.

Une fois la configuration terminée et le code d’installation exécuté, Ultralytics YOLO11 sera prêt à détecter les plaques d’immatriculation, et GPT-4o Mini sera configuré pour en reconnaître et en extraire le texte.

Étape 2 : télécharger le modèle entraîné sur mesure#

Maintenant que tout est configuré, l’étape suivante consiste à télécharger le modèle Ultralytics YOLO11 entraîné sur mesure pour détecter les plaques d’immatriculation. Comme ce modèle a déjà été entraîné à détecter les plaques, il n’est pas nécessaire de le réentraîner à partir de zéro. Il suffit de le télécharger pour pouvoir l’utiliser. Cela permet de gagner du temps et simplifie considérablement le processus.

Nous allons également télécharger un fichier vidéo d’exemple pour tester le système. Tu peux aussi exécuter cette solution sur tes propres fichiers vidéo. 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 lancer la détection#

Une fois le modèle prêt, il est temps de le mettre à l’épreuve. D’abord, le fichier vidéo est chargé pour être traité, en veillant à ce qu’il s’ouvre correctement. Un enregistreur vidéo est ensuite configuré pour sauvegarder la séquence traitée avec les plaques d’immatriculation détectées, tout en conservant la taille et la fréquence d’images 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 commence à analyser chaque image vidéo pour détecter les plaques d’immatriculation. Lorsqu’une plaque est détectée, le système la met en évidence avec une boîte englobante, ce qui la rend facile à repérer. Cette étape garantit que seuls les détails pertinents sont capturés et écarte les informations d’arrière-plan superflues. Une fois les plaques détectées, la vidéo est prête pour l’étape suivante.

Étape 4 : extraire le texte des plaques d’immatriculation#

Après la détection d’une plaque d’immatriculation, l’étape suivante consiste à reconnaître le texte, aussi appelé reconnaissance optique de caractères (OCR). Le système découpe d’abord la plaque dans l’image vidéo afin d’éliminer toute distraction et d’obtenir une vue dégagée. Cela permet de se concentrer sur les détails et d’améliorer la précision, même dans des conditions difficiles comme un faible éclairage ou un flou de mouvement.

Une fois la plaque isolée, GPT-4o Mini analyse l’image, en extrait les chiffres et les lettres, puis les convertit en texte lisible. Le texte reconnu est ensuite ajouté à la vidéo pour identifier chaque plaque détectée en temps réel.

Une fois ces étapes terminées, le système ANPR est pleinement fonctionnel et prêt à reconnaître facilement les plaques d’immatriculation.

Étape 5 : enregistrer la vidéo traitée#

La dernière étape consiste à enregistrer la vidéo traitée et à supprimer les fichiers temporaires, afin que tout fonctionne sans problème.

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 ainsi la mémoire et les ressources système. Il finalise et enregistre également la vidéo de sortie, qui est alors prête à être lue ou analysée plus en détail.

Fig. 5. Utilisation de YOLO11 et de GPT-4o Mini pour l’ANPR.

Déployer un système ANPR#

Après avoir créé et testé une solution ANPR, l’étape suivante consiste à la déployer dans un environnement réel. De nombreux modèles de vision par IA dépendent de systèmes informatiques hautes performances, mais Ultralytics YOLO11 est optimisé pour l’IA en périphérie. Il peut fonctionner efficacement sur de petits appareils, sans traitement dans le cloud ni connexion Internet permanente, ce qui en fait un excellent choix pour les endroits où les ressources sont limitées.

Par exemple, une résidence sécurisée peut déployer Ultralytics YOLO11 sur un appareil en périphérie pour identifier les véhicules à leur arrivée, sans avoir besoin de grands serveurs. Tout est traité sur place et en temps réel, ce qui garantit un accès fluide, réduit la congestion et renforce la sécurité.

Fig. 6. Détection de plaques d’immatriculation avec YOLO11.

Par ailleurs, dans les zones bénéficiant d’une connexion Internet stable, un système ANPR basé sur le cloud peut gérer plusieurs caméras simultanément. Par exemple, dans un centre commercial, il peut suivre les véhicules à différentes entrées et stocker les numéros de plaque dans un système centralisé, facilitant ainsi la surveillance du stationnement, le renforcement de la sécurité et la gestion à distance du flux de véhicules.

L’avenir de l’ANPR#

La mise en place d’un système de reconnaissance automatique des plaques d’immatriculation (ANPR) est simple avec Ultralytics YOLO11. Celui-ci détecte les plaques d’immatriculation avec précision et peut être entraîné sur mesure pour s’adapter à différents environnements et besoins.

Les systèmes ANPR renforcent la sécurité, simplifient la gestion du stationnement et améliorent la surveillance du trafic. En automatisant la reconnaissance des plaques d’immatriculation, ils réduisent les erreurs, accélèrent l’identification et rendent le suivi des véhicules plus efficace dans diverses applications.

Rejoins notre communauté et consulte notre dépôt GitHub pour voir l’IA en action. Découvre nos options de licence et apprends-en davantage sur l’IA visuelle dans l’industrie manufacturière et l’IA dans les voitures autonomes sur nos pages dédiées aux solutions.