Créer un système ANPR avec Ultralytics YOLO11 et GPT-4o Mini
Découvre comment créer un système ANPR avec Ultralytics YOLO11 pour détecter les plaques d’immatriculation et GPT-4o Mini pour reconnaître le texte avec une précision en temps réel.
Trouver une place dans un parking bondé, attendre dans de longues files aux péages ou rester bloqué aux points de contrôle de sécurité est frustrant. Les contrôles manuels des véhicules prennent souvent trop de temps et provoquent des retards. Sans système automatisé, suivre efficacement les voitures peut s'avérer 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 avancé de vision par ordinateur capable d'effectuer des tâches avancées d'IA visuelle comme 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 la création de solutions alimentées 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 dédié 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 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 source d'erreurs, surtout 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, ce qui rend 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 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 se déplacent rapidement 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.
Les défis liés à la technologie ANPR#
Même si l'ANPR identifie rapidement les véhicules, certains défis peuvent encore affecter sa précision. Voici quelques problèmes courants susceptibles d'influencer les performances d'un système ANPR :
- Faible luminosité et mauvaises conditions météorologiques : 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 roulant rapidement peut produire une image floue, surtout si la vitesse d'obturation de la caméra est trop faible. La saleté, les rayures ou les parties masquées de la plaque peuvent également entraîner des problèmes de reconnaissance. L'utilisation de caméras de haute qualité avec les bons réglages permet d'obtenir des résultats plus nets.
- Modèles de plaques variés : Toutes les plaques ne se ressemblent pas. Certaines comportent des polices originales, du texte supplémentaire ou des logos qui perturbent le système.
- Risques liés à la confidentialité et à la sécurité des données : Il est important de stocker les données des véhicules en toute sécurité. Des mesures de sécurité adaptées peuvent empêcher les accès non autorisés et protéger les informations. Avec des mesures de protection appropriées, 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 rapidement les images tout en conservant une grande précision et ne nécessite pas une puissance de calcul élevée. Il fonctionne donc aussi bien sur de petites caméras de sécurité que sur de grands systèmes de gestion du trafic.
Grâce à l'entraînement personnalisé, Ultralytics YOLO11 peut être adapté à différents styles de plaques d'immatriculation, langues et environnements. Il est également performant dans des conditions difficiles comme la faible luminosité, le flou de mouvement et les angles complexes lorsqu'il est entraîné sur des jeux de données spécialisés contenant des images représentant ces conditions.
En identifiant instantanément les véhicules, Ultralytics YOLO11 contribue à réduire les temps d'attente, à prévenir les erreurs et à renforcer la sécurité. Le trafic est ainsi plus fluide et les opérations plus efficaces dans les parkings, aux péages et dans les systèmes de vidéosurveillance.
Créer un système ANPR avec Ultralytics YOLO11 et GPT-4o Mini#
Voyons maintenant comment créer un système ANPR avec Ultralytics YOLO11 et GPT-4o Mini.
Nous allons examiner le code présenté dans le notebook Google Colab d'Ultralytics pour cette solution. Le notebook Google Colab est facile à utiliser et n'importe qui peut créer un système ANPR sans configuration complexe.
Étape 1 : configurer l’environnement#
Pour commencer, nous devons installer nos dépendances, c'est-à-dire les packages logiciels et bibliothèques essentiels nécessaires à l'exécution de notre système ANPR. Ces dépendances permettent d'effectuer des tâches comme la détection d'objets, le traitement d'images et la reconnaissance de texte, afin que le système fonctionne efficacement.
Nous allons installer le package Python d'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 d'Ultralytics.
Nous devons également configurer GPT-4o Mini pour la reconnaissance de texte. Comme GPT-4o Mini est chargé d'extraire le 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, 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 qui a été 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 l'entraîner à partir de zéro. Tu peux simplement le télécharger : il est prêt à l'emploi. Cela permet de gagner du temps et simplifie considérablement le processus.
Nous allons également télécharger un fichier vidéo d'exemple pour tester le système. Si tu le souhaites, tu peux aussi exécuter cette solution sur tes propres fichiers vidéo. Une fois téléchargés, les fichiers du modèle et de la 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 mettre à l'épreuve. Tout d'abord, le fichier vidéo est chargé pour être traité, en vérifiant qu'il s'ouvre correctement. Un générateur vidéo est ensuite configuré pour enregistrer 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 de la vidéo pour détecter les plaques d'immatriculation. Lorsqu'une plaque est trouvée, le système la met en évidence avec une boîte de détection, ce qui la rend facile à identifier. Cette étape garantit que seuls les éléments pertinents sont capturés, en filtrant les informations d'arrière-plan inutiles. Les plaques ayant été détectées, la vidéo est désormais 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 est la reconnaissance de texte. Le système recadre d'abord la plaque dans l'image vidéo, éliminant les éléments gênants pour obtenir une vue claire. Cela permet de se concentrer sur les détails et d'améliorer 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, puis les convertit en texte lisible. Le texte reconnu est ensuite réintégré à la vidéo afin d'étiqueter 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 s'exécute correctement.
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 visionnée ou analysée davantage.
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. La plupart des modèles d'IA visuelle dépendent d'une puissance de calcul élevée, mais Ultralytics YOLO11 est optimisé pour l'IA en périphérie. Il peut fonctionner efficacement sur de petits appareils sans nécessiter de traitement dans le cloud ni de connexion Internet permanente, ce qui en fait un excellent choix pour les sites disposant de ressources limitées.
Par exemple, une résidence sécurisée peut déployer Ultralytics YOLO11 sur un appareil edge pour identifier les véhicules à leur entrée, sans avoir besoin de serveurs volumineux. Tout est traité sur site en temps réel, ce qui garantit un accès fluide, une réduction de la congestion et une sécurité renforcée.
Fig. 6. Détection de plaques d'immatriculation avec YOLO11.
En revanche, dans les zones bénéficiant d'une connexion Internet stable, un système ANPR dans le cloud peut gérer plusieurs caméras simultanément. Par exemple, dans un centre commercial, il peut suivre les véhicules à différentes entrées et enregistrer les numéros des plaques dans un système centralisé, ce qui facilite la surveillance du stationnement, renforce la sécurité et permet de gérer à distance les 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. Il détecte les plaques d'immatriculation avec précision et peut être entraîné sur mesure 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 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. Explore nos options de licence et découvre-en plus sur l'IA visuelle dans l'industrie et l'IA dans les voitures autonomes sur nos pages consacrées aux solutions.
