Utiliser Ultralytics YOLO11 pour la reconnaissance automatique des plaques d’immatriculation

À mesure que l’adoption de l’IA progresse, les innovations reposant sur la reconnaissance automatique des plaques d’immatriculation (ANPR) deviennent de plus en plus courantes. Les systèmes ANPR utilisent la vision par ordinateur pour lire automatiquement les plaques d’immatriculation des véhicules et les identifier et suivre. Récemment, les avancées de l’IA ont permis d’intégrer rapidement ces systèmes à notre quotidien. En fait, tu as peut-être déjà vu des systèmes ANPR aux péages ou lors de contrôles de police visant des véhicules en excès de vitesse.

La reconnaissance des plaques d’immatriculation gagne en importance, et le marché mondial des systèmes ANPR devrait atteindre 4,8 milliards de dollars d’ici 2027. Cette croissance s’explique notamment par les avantages que l’ANPR offre à des applications comme la gestion du trafic et la sécurité.

Pour obtenir les meilleurs résultats avec les applications ANPR, il est important de comprendre les techniques d’IA qui sous-tendent ces solutions. Par exemple, la détection d’objets, une tâche de vision par ordinateur, est essentielle pour reconnaître et suivre les véhicules avec précision. C’est là qu’interviennent des modèles de vision par ordinateur comme Ultralytics YOLO11. Dans cet article, nous verrons comment fonctionne l’ANPR et comment YOLO11, en particulier, peut améliorer les solutions ANPR.

Fig. 1 Utilisation des modèles Ultralytics YOLO pour l’ANPR.

Fonctionnement de la reconnaissance automatique des plaques d’immatriculation#

La reconnaissance automatique des plaques d’immatriculation comprend plusieurs étapes importantes permettant d’identifier rapidement et précisément les plaques des véhicules. Voyons comment ces étapes s’articulent pour rendre le processus efficace :

• Capture d’image : Tout d’abord, des caméras servent à capturer des images des véhicules. Elles peuvent être installées à des emplacements fixes, comme les péages, ou montées sur des véhicules de police pour assurer leur mobilité.
• Détection des plaques d’immatriculation : Ensuite, des modèles de détection d’objets comme YOLO11 sont utilisés pour trouver la plaque d’immatriculation dans l’image.
• Reconnaissance optique de caractères (OCR) : Ensuite, l’OCR sert à lire les caractères présents sur la plaque (dans l’image) et à les convertir en texte lisible par une machine.
• Interrogation de la base de données : Les données textuelles sont ensuite comparées à une base de données afin de confirmer les informations de la plaque.

Fig. 2 Exemple d’utilisation des modèles Ultralytics YOLO pour la détection des plaques d’immatriculation.

Les systèmes ANPR peuvent souvent rencontrer des difficultés liées à un mauvais éclairage, à la diversité des modèles de plaques et à des conditions environnementales difficiles. YOLO11 peut aider à résoudre ces problèmes en améliorant la précision et la vitesse de détection, même lorsque les conditions sont difficiles. Avec des modèles comme YOLO11, l’ANPR peut fonctionner de manière plus fiable et faciliter l’identification des plaques en temps réel, de jour comme de nuit ou par mauvais temps. Dans la section suivante, nous examinerons plus attentivement comment utiliser YOLO11 pour obtenir ces améliorations.

Comment YOLO11 peut améliorer un système ANPR#

Ultralytics YOLO11 a été présenté pour la première fois lors de l’événement hybride annuel d’Ultralytics, YOLO Vision 2024 (YV24). En tant que modèle de détection d’objets prenant en charge les applications en temps réel, YOLO11 constitue une excellente option pour améliorer des innovations comme les systèmes ANPR. YOLO11 convient également aux applications d’IA en périphérie. Les solutions ANPR intégrées à YOLO11 peuvent ainsi fonctionner efficacement, même lorsque la connexion réseau est peu fiable. Les systèmes ANPR peuvent donc fonctionner sans interruption dans des lieux isolés ou des zones à connectivité limitée.

YOLO11 apporte également des améliorations en matière d’efficacité par rapport à ses prédécesseurs. Par exemple, YOLO11m atteint une précision moyenne (mAP) supérieure sur le jeu de données COCO, avec 22 % de paramètres en moins par rapport à YOLOv8m. Avec YOLO11, les systèmes ANPR gèrent mieux diverses difficultés, comme les variations de luminosité, la diversité des modèles de plaques et les véhicules en mouvement, ce qui permet une reconnaissance des plaques plus fiable et plus efficace.

Fig. 3 Comparaison d’Ultralytics YOLO11 avec les versions précédentes.

Si tu te demandes comment utiliser YOLO11 dans ton projet ANPR, la démarche est très simple. Les variantes des modèles YOLO11 prenant en charge la détection d’objets ont été pré-entraînées sur le jeu de données COCO. Ces modèles peuvent détecter 80 types d’objets différents, comme les voitures, les vélos et les animaux. Les plaques d’immatriculation ne faisant pas partie des étiquettes du pré-entraînement, tu peux facilement entraîner YOLO11 sur mesure pour détecter les plaques à l’aide du package Python Ultralytics ou de la plateforme Ultralytics HUB sans code. Tu peux créer ou utiliser un jeu de données dédié aux plaques d’immatriculation afin d’adapter parfaitement ton modèle YOLO11 entraîné sur mesure à l’ANPR.

Applications d’un système ANPR intégré à YOLO11#

Examinons maintenant les différentes applications dans lesquelles l’ANPR et YOLO11 peuvent être utilisés ensemble pour améliorer l’efficacité et la précision.

Détection des plaques d’immatriculation en temps réel pour la gestion du trafic et les forces de l’ordre#

Dans les villes animées où les voitures circulent dans les carrefours et sur les autoroutes, les agents de la circulation doivent gérer les embouteillages, surveiller les infractions au code de la route et assurer la sécurité publique. Intégré à YOLO11, l’ANPR peut considérablement faciliter ces tâches. En reconnaissant instantanément les plaques des véhicules, les autorités peuvent surveiller la circulation, faire respecter le code de la route et identifier rapidement les véhicules impliqués dans des infractions. Par exemple, les véhicules en excès de vitesse peuvent être facilement repérés.

Fig. 4 Détection et identification des véhicules en excès de vitesse avec l’ANPR et YOLO11.

Globalement, l’ANPR avec YOLO11 peut automatiser des tâches qui nécessiteraient autrement une intervention manuelle. Il peut détecter les véhicules qui franchissent un feu rouge et gérer les opérations aux péages. L’automatisation de ces tâches rend le système plus efficace et réduit la charge de travail des agents de la circulation, qui peuvent ainsi se concentrer sur des responsabilités plus importantes.

Dans le domaine du maintien de l’ordre, YOLO11 et l’ANPR peuvent fonctionner ensemble pour suivre les véhicules volés et identifier ceux qui sont signalés pour des activités suspectes. La détection en temps réel de YOLO11 garantit une reconnaissance rapide et fiable des véhicules, même lorsqu’ils se déplacent à grande vitesse. Cette capacité contribue à améliorer la sécurité publique en permettant des temps de réaction plus courts et une action plus efficace des forces de l’ordre.

Systèmes de gestion du stationnement de pointe et ANPR#

Une autre application intéressante de l’ANPR avec YOLO11 concerne les systèmes de gestion du stationnement. Par exemple, cette technologie permet aux voitures d’entrer, de se garer et de sortir d’un parking sans que le conducteur ait besoin d’interagir avec une borne de paiement ou un agent. Les systèmes de stationnement ANPR utilisant YOLO11 peuvent fluidifier les processus d’entrée, de sortie et de paiement.

Fig. 5 Gestion des parkings avec les modèles Ultralytics YOLO.

Lorsqu’un véhicule s’approche de la barrière d’entrée, l’ANPR propulsé par YOLO11 reconnaît instantanément sa plaque d’immatriculation. Le système compare ensuite la plaque à une base de données préenregistrée ou crée une nouvelle entrée. La barrière s’ouvre automatiquement, laissant passer le véhicule sans aucune intervention manuelle. Ce processus accéléré offre une expérience plus pratique aux conducteurs.

De même, lorsqu’un véhicule sort, le système détecte à nouveau sa plaque d’immatriculation à l’aide de YOLO11. Il calcule la durée du stationnement et peut traiter automatiquement le paiement si le véhicule est associé à un moyen de paiement. Cette automatisation élimine le besoin de bornes de paiement physiques et contribue à réduire les embouteillages aux sorties, en particulier aux heures de pointe.

La capacité de YOLO11 à détecter les plaques d’immatriculation avec précision et en temps réel est essentielle au bon fonctionnement de ces systèmes de gestion du stationnement. En rendant le stationnement plus pratique, cette technologie aide également les opérateurs à mieux gérer leurs installations en réduisant le travail manuel et en fluidifiant la circulation.

Utiliser l’ANPR pour le contrôle d’accès dans les systèmes de sécurité#

Les systèmes ANPR intégrés à YOLO11 constituent une excellente option pour gérer l’accès à des zones sécurisées comme les résidences fermées, les campus d’entreprise et les sites à accès restreint. Grâce à l’ANPR, ces lieux peuvent automatiser leur sécurité et garantir que seuls les véhicules autorisés puissent entrer.

Fig. 6 Utilisation de l’ANPR pour autoriser les véhicules autorisés à accéder aux zones sécurisées.

Le fonctionnement est similaire à celui du système de gestion du stationnement évoqué précédemment. La principale différence est que le système compare la plaque à une liste de véhicules autorisés. Si le véhicule est approuvé, la barrière s’ouvre automatiquement, offrant un accès fluide aux résidents, aux employés ou aux visiteurs tout en maintenant un niveau de sécurité élevé. Ce processus réduit le besoin de contrôles manuels et permet au personnel de sécurité de se concentrer sur des tâches plus importantes.

Les systèmes ANPR jouent un rôle essentiel dans l’avenir des villes intelligentes#

Après avoir parcouru quelques applications des systèmes ANPR intégrés à YOLO11, considérons maintenant ces applications de manière plus interconnectée.

Au-delà de leurs usages individuels, leurs avantages apparaissent pleinement lorsqu’elles sont envisagées comme une solution cohérente au sein des infrastructures urbaines des villes intelligentes. À mesure que les villes deviennent plus intelligentes, les systèmes ANPR jouent un rôle toujours plus important dans les infrastructures urbaines.

Prenons par exemple une ville intelligente où l’ANPR sert simultanément à gérer la circulation, à sécuriser les accès et à fluidifier le stationnement. Un véhicule pourrait être détecté à son entrée dans la ville, suivi tout au long de son trajet, autorisé à accéder aux zones restreintes et garé sans aucune intervention manuelle.

En intégrant des modèles de vision par ordinateur comme YOLO11, l’ANPR peut contribuer à gérer plus efficacement la circulation, à renforcer la sécurité et à améliorer la sécurité publique. Ces systèmes permettent une surveillance en temps réel, l’automatisation des processus et une prise de décision fondée sur les données, indispensables pour gérer la complexité croissante des villes modernes.

Dernier aperçu de l’ANPR avec YOLO11#

Les systèmes ANPR deviennent essentiels aux infrastructures urbaines modernes, et l’intégration de modèles de vision par ordinateur comme YOLO11 les rend encore plus utiles. YOLO11 améliore l’ANPR grâce à une meilleure précision, au traitement en temps réel et à une grande adaptabilité, ce qui le rend idéal pour les applications de ville intelligente. De l’amélioration de la gestion du trafic et du maintien de l’ordre à l’automatisation du stationnement et du contrôle des accès sécurisés, les systèmes ANPR propulsés par YOLO11 apportent efficacité et fiabilité. À mesure que les villes deviennent plus intelligentes, ces solutions joueront probablement un rôle crucial dans la transformation de la vie urbaine et dans l’avenir des infrastructures intelligentes.

Pour en savoir plus sur l’IA, consulte notre dépôt GitHub et échange avec notre communauté. Découvre les applications de l’IA dans l’industrie et l’agriculture sur nos pages consacrées aux solutions. 🚀