Découvrez comment créer un système ANPR à l'aide d'Ultralytics YOLO11 pour la détection de plaques d'immatriculation et de GPT-4o Mini pour la reconnaissance de texte avec une précision en temps réel.
Il est frustrant de chercher une place de parking dans un parking bondé, d'attendre dans de longues files d'attente aux péages ou d'être bloqué aux points de contrôle de sécurité. Les contrôles manuels des véhicules prennent souvent trop de temps et entraînent des retards. Sans système automatisé, il peut être difficile de suivre efficacement les voitures.
La vision par ordinateur a changé cela en permettant la reconnaissance en temps réel des plaques d'immatriculation à partir d'images et de flux vidéo. Par exemple, Ultralytics YOLO11 est un modèle de vision par ordinateur avancé qui peut effectuer des tâches avancées de vision artificielle comme la détection d'objets, la classification et le suivi. En utilisant les capacités de détection d'objets de YOLO11, vous pouvez 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 basées sur la Vision IA. 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 Ultralytics Colab pour l'ANPR, nous allons explorer comment construire une solution ANPR en utilisant Ultralytics YOLO11 pour la détection des plaques d'immatriculation et GPT-4o Mini pour la reconnaissance de texte.
Le suivi manuel des voitures prend du temps et est sujet aux erreurs, surtout lorsqu'elles se déplacent rapidement. La vérification de 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 détectée, la reconnaissance de texte est utilisée pour extraire automatiquement les numéros de plaque, sans intervention humaine. Ce processus garantit des résultats précis, même lorsque les véhicules se déplacent rapidement ou que les plaques sont partiellement masquées.
Aujourd'hui, les péages, les systèmes de stationnement et les forces de l'ordre s'appuient de plus en plus sur la lecture automatique des plaques d'immatriculation (ANPR) pour suivre efficacement les véhicules.
Bien que la lecture automatique des plaques d'immatriculation (ANPR) identifie rapidement les véhicules, certains défis peuvent encore affecter sa précision. Voici quelques problèmes courants qui peuvent avoir un impact sur le bon fonctionnement d'un système ANPR :
Ultralytics YOLO11 peut rendre les systèmes ANPR plus rapides et plus précis. Il traite les images rapidement tout en conservant la précision et ne nécessite pas une grande puissance de calcul, il fonctionne donc bien sur tous les supports, des petites caméras de sécurité aux grands systèmes de circulation.
Grâce à la formation personnalisée, YOLO11 peut être adapté à différents styles de plaques d'immatriculation, langues et environnements. Il fonctionne également bien dans des conditions difficiles telles qu'une faible luminosité, un flou de mouvement et des angles difficiles lorsqu'il est formé sur mesure sur des ensembles de données spécialisés qui incluent des images de ces conditions.
En identifiant instantanément les véhicules, YOLO11 contribue à réduire les temps d'attente, à prévenir les erreurs et à améliorer la sécurité. Cela fluidifie la circulation et rend les opérations plus efficaces dans les parkings, les péages et les systèmes de surveillance.
Ensuite, expliquons comment construire un système ANPR en utilisant YOLO11 et GPT-4o Mini.
Nous allons explorer le code présenté dans le notebook Ultralytics Google Collab pour cette solution. Le notebook Google Colab est facile à utiliser et n'importe qui peut créer un système ANPR sans avoir besoin d'une configuration compliquée.
Pour commencer, nous devons installer nos dépendances, c'est-à-dire les logiciels et bibliothèques essentiels nécessaires à l'exécution de notre système ANPR. Ces dépendances facilitent les tâches telles que la détection d'objets, le traitement d'images et la reconnaissance de texte, garantissant ainsi l'efficacité du système.
Nous allons installer le package Python Ultralytics comme indiqué ci-dessous. Ce package fournit des modèles pré-entraînés, des utilitaires d'entraînement et des outils d'inférence, ce qui facilite la détection et la reconnaissance des plaques d'immatriculation avec YOLO11.
Nous devrons également configurer GPT-4o Mini pour la reconnaissance de texte. Étant donné que 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 vous avez 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, YOLO11 sera prêt à détecter les plaques d'immatriculation, et GPT-4o Mini sera configuré pour reconnaître et extraire le texte de celles-ci.
Maintenant que tout est configuré, l'étape suivante consiste à télécharger le modèle YOLO11 qui a été entraîné sur mesure pour détecter les plaques d'immatriculation. Puisque ce modèle a déjà été entraîné pour détecter les plaques d'immatriculation, il n'est pas nécessaire de l'entraîner à partir de zéro. Vous pouvez simplement le télécharger, et il est prêt à être utilisé. Cela permet de gagner du temps et rend le processus beaucoup plus facile.
De plus, nous allons télécharger un fichier vidéo échantillon pour tester le système. Si vous le souhaitez, vous pouvez également exécuter cette solution sur vos propres fichiers vidéo. Une fois téléchargés, le modèle et les fichiers vidéo seront stockés dans l'environnement du notebook.
Une fois le modèle prêt, il est temps de le voir en action. Tout d'abord, le fichier vidéo est chargé pour être traité, en s'assurant qu'il s'ouvre correctement. Un enregistreur vidéo est ensuite configuré pour enregistrer les séquences traitées 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.
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 détectée, le système la met en évidence avec une boîte de détection, ce qui facilite son identification. Cette étape garantit que seuls les détails pertinents sont capturés, en filtrant les informations de fond inutiles. Une fois les plaques détectées avec succès, la vidéo est prête pour l'étape suivante.
Après avoir détecté une plaque d'immatriculation, l'étape suivante est la reconnaissance du texte. Le système recadre d'abord la plaque à partir de la trame vidéo, en supprimant toute distraction pour une vue claire. Cela permet de se concentrer sur les détails, améliorant ainsi la précision même dans des conditions difficiles comme la faible luminosité ou le 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 ajouté à la vidéo, étiquetant 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.
L'étape finale consiste à enregistrer la vidéo traitée et à nettoyer les fichiers temporaires, afin de garantir le bon déroulement de l'opération.
Chaque trame traitée, avec les plaques détectées et le texte reconnu, est écrite dans la vidéo de sortie finale. Une fois que toutes les trames sont traitées, le système ferme le fichier vidéo à partir duquel il lisait, libérant ainsi de la mémoire et des ressources système. Il finalise et enregistre également la vidéo de sortie, la rendant prête à être lue ou à être analysée plus en détail.
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 IA dépendent du calcul haute performance, mais Ultralytics YOLO11 est optimisé pour l'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 endroits où les ressources sont limitées.
Par exemple, une communauté fermée peut déployer YOLO11 sur un appareil périphérique pour identifier les véhicules qui entrent, éliminant ainsi le besoin de grands serveurs. Tout est traité sur place en temps réel, ce qui garantit un accès fluide, une réduction de la congestion et une sécurité renforcée.
Parallèlement, dans les zones où la connectivité Internet est stable, la lecture automatisée des plaques d'immatriculation (ANPR) basée sur le cloud peut gérer plusieurs caméras simultanément. Par exemple, dans un centre commercial, elle peut suivre les véhicules à travers différentes entrées et stocker les numéros de plaque dans un système central, ce qui facilite la surveillance du stationnement, l'amélioration de la sécurité et la gestion du flux de véhicules à distance.
La mise en place d'un système de reconnaissance automatique des plaques d'immatriculation (ANPR) est simple avec Ultralytics YOLO11. Il détecte avec précision les plaques d'immatriculation et peut être entraîné sur mesure pour s'adapter à différents environnements et exigences.
Les systèmes ANPR améliorent la sécurité, rationalisent 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.
Rejoignez notre communauté et visitez notre dépôt GitHub pour voir l'IA en action. Explorez nos options de licence et découvrez-en davantage sur l'IA de vision dans la fabrication et l'IA dans les voitures autonomes sur nos pages de solutions.
