Utiliser Ultralytics YOLO11 pour la reconnaissance automatique de plaques d'immatriculation

À mesure que l'adoption de l'IA augmente, les innovations qui dépendent de la reconnaissance automatique des plaques d'immatriculation (ANPR) deviennent plus courantes. Les systèmes ANPR utilisent la vision par ordinateur pour lire automatiquement les plaques d'immatriculation des véhicules et pour les identifier et les suivre. Récemment, les progrès de l'IA ont rendu possible l'intégration rapide de tels systèmes dans notre quotidien. En fait, tu as peut-être déjà vu des systèmes ANPR aux péages ou lors de contrôles de police pour les véhicules en excès de vitesse.

La reconnaissance des plaques d'immatriculation devient de plus en plus importante, et le marché mondial des systèmes ANPR devrait atteindre 4,8 milliards de dollars d'ici 2027. Un facteur de cette croissance réside dans les avantages qu'offre l'ANPR pour 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 derrière ces solutions. Par exemple, la détection d'objets, une tâche de vision par ordinateur, est essentielle pour reconnaître et suivre les véhicules avec précision, et c'est là que des modèles de vision par ordinateur comme Ultralytics YOLO11 entrent en jeu. Dans cet article, nous allons voir comment fonctionne l'ANPR et comment YOLO11, en particulier, peut améliorer les solutions ANPR.

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

Link to this sectionComment fonctionne la reconnaissance automatique des plaques d'immatriculation#

La reconnaissance automatique des plaques d'immatriculation implique quelques étapes importantes pour identifier rapidement et précisément les plaques d'immatriculation des véhicules. Décomposons comment ces étapes fonctionnent ensemble pour rendre le processus efficace :

• Capture d'image : Tout d'abord, des caméras sont utilisées pour capturer des images des véhicules. Ces caméras peuvent être installées dans des emplacements fixes, comme des péages, ou montées sur des véhicules de police pour plus de mobilité.
• Détection de plaque d'immatriculation : Ensuite, des modèles de détection d'objets comme YOLO11 sont utilisés pour localiser la plaque d'immatriculation dans l'image.
• Reconnaissance optique de caractères (OCR) : Ensuite, l'OCR est utilisé pour lire les caractères sur la plaque (dans l'image), en les convertissant en texte lisible par une machine.
• Recherche dans la base de données : Les données textuelles sont ensuite vérifiées par rapport à une base de données pour confirmer les informations de la plaque.

Fig 2. Un exemple d'utilisation des modèles Ultralytics YOLO pour la détection de plaques d'immatriculation.

Les systèmes ANPR peuvent souvent faire face à des défis tels qu'un mauvais éclairage, différents designs de plaques et 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, facilitant l'identification des plaques en temps réel, que ce soit de jour, de nuit ou par mauvais temps. Dans la section suivante, nous examinerons de plus près comment tu peux utiliser YOLO11 pour obtenir ces améliorations.

Link to this sectionComment 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 est une excellente option pour améliorer les innovations comme les systèmes ANPR. YOLO11 est également adapté aux applications d'Edge AI. Cela permet aux solutions ANPR intégrées avec YOLO11 de fonctionner efficacement, même lorsqu'une connexion réseau n'est pas fiable. Par conséquent, les systèmes ANPR peuvent fonctionner de manière transparente dans des zones reculées ou des zones avec une connectivité limitée.

YOLO11 apporte également des améliorations d'efficacité par rapport à ses prédécesseurs. Par exemple, YOLO11m atteint une mAP (mean Average Precision) plus élevée sur le dataset COCO avec 22 % de paramètres en moins par rapport à YOLOv8m. Avec YOLO11, les systèmes ANPR peuvent mieux gérer divers défis tels que les conditions d'éclairage changeantes, les conceptions de plaques variées et les véhicules en mouvement, ce qui permet une reconnaissance des plaques d'immatriculation plus fiable et efficace.

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

Si tu te demandes comment tu peux utiliser YOLO11 dans ton projet ANPR, c'est très simple. Les variations des modèles YOLO11 qui prennent en charge la détection d'objets ont été pré-entraînées sur le dataset COCO. Ces modèles peuvent détecter 80 types d'objets différents, tels que des voitures, des vélos et des animaux. Bien que les plaques d'immatriculation ne fassent pas partie des étiquettes pré-entraînées, tu peux facilement entraîner YOLO11 sur mesure pour détecter les plaques d'immatriculation en utilisant le paquet Python Ultralytics ou la plateforme no-code Ultralytics HUB. Tu as la flexibilité de créer ou d'utiliser un dataset dédié aux plaques d'immatriculation pour rendre ton modèle YOLO11 entraîné sur mesure parfait pour l'ANPR.

Link to this sectionApplications d'un système ANPR intégré avec YOLO11#

Ensuite, nous examinerons les diverses applications où l'ANPR et YOLO11 peuvent être utilisés ensemble pour améliorer l'efficacité et la précision.

Link to this sectionDétection de plaque d'immatriculation en temps réel pour le trafic et l'application de la loi#

Dans les villes animées avec des voitures circulant aux intersections et sur les autoroutes, les agents de la circulation doivent gérer la congestion, surveiller les infractions routières et assurer la sécurité publique. L'ANPR, lorsqu'il est intégré avec YOLO11, peut faire une grande différence dans ces efforts. En reconnaissant instantanément les plaques des véhicules, les autorités peuvent surveiller le flux de circulation, faire respecter les lois routières et identifier rapidement les véhicules impliqués dans des infractions. Par exemple, les véhicules en excès de vitesse peuvent être facilement signalés.

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

Dans l'ensemble, l'ANPR avec YOLO11 peut automatiser des tâches qui nécessiteraient autrement un effort manuel. Il peut détecter les véhicules franchissant les feux rouges et gérer les opérations de péage. L'automatisation de ces tâches rend non seulement le système plus efficace, mais réduit également la charge de travail des agents de la circulation, leur permettant de se concentrer sur des responsabilités plus critiques.

Dans l'application de la loi, YOLO11 et l'ANPR peuvent travailler ensemble pour suivre les véhicules volés et identifier ceux signalés pour des activités suspectes. La détection en temps réel de YOLO11 garantit que les véhicules sont reconnus rapidement et de manière fiable, même lorsqu'ils se déplacent rapidement. Cette capacité aide à améliorer la sécurité publique en permettant des temps de réponse plus rapides et une application de la loi plus efficace.

Link to this sectionSystèmes de gestion de stationnement de pointe et ANPR#

Une autre application passionnante de l'ANPR avec YOLO11 concerne les systèmes de gestion de stationnement. Par exemple, cela permet des parkings où les voitures peuvent entrer, se garer et sortir sans que le conducteur n'ait besoin d'interagir avec une borne de paiement ou un préposé. Les systèmes de stationnement ANPR qui utilisent YOLO11 peuvent aider à fluidifier les processus d'entrée, de sortie et de paiement.

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

Lorsqu'un véhicule s'approche de la barrière d'entrée, l'ANPR alimenté par YOLO11 reconnaît instantanément la plaque d'immatriculation. Le système vérifie ensuite la plaque par rapport à une base de données pré-enregistrée ou crée une nouvelle entrée. La barrière s'ouvre automatiquement, laissant entrer le véhicule sans aucune étape manuelle. Ce processus accéléré crée une expérience plus pratique pour les conducteurs.

De même, lorsqu'un véhicule sort, le système détecte à nouveau la plaque d'immatriculation en utilisant YOLO11. Il calcule la durée de stationnement et peut traiter automatiquement le paiement si le véhicule est enregistré avec un mode de paiement. L'automatisation supprime le besoin de bornes de paiement physiques et aide à réduire la congestion aux sorties, surtout pendant les heures de pointe.

La capacité de YOLO11 à détecter les plaques d'immatriculation avec précision et en temps réel est la clé pour faire fonctionner ces systèmes de gestion de stationnement de manière fluide. En plus de rendre le stationnement plus pratique, cela aide les opérateurs à mieux gérer leurs installations en réduisant le travail manuel et en améliorant la fluidité du trafic.

Link to this sectionUtilisation de l'ANPR pour le contrôle d'accès dans les systèmes de sécurité#

Les systèmes ANPR intégrés avec YOLO11 sont une excellente option pour gérer l'accès aux zones sécurisées comme les communautés fermées, les campus d'entreprise et les installations restreintes. En utilisant l'ANPR, ces lieux peuvent automatiser leur sécurité, en s'assurant que seuls les véhicules autorisés sont admis.

Fig 6. Utilisation de l'ANPR pour autoriser l'accès aux zones sécurisées aux véhicules autorisés.

C'est similaire au système de gestion de stationnement dont nous avons discuté précédemment. La principale différence est que le système vérifie la plaque par rapport à une liste de véhicules autorisés. Si le véhicule est approuvé, la barrière s'ouvre automatiquement, offrant un accès fluide pour les résidents, les employés ou les visiteurs tout en maintenant une sécurité stricte. Le processus réduit le besoin de contrôles manuels, permettant au personnel de sécurité de se concentrer sur des tâches plus importantes.

Link to this sectionLes systèmes ANPR sont un élément clé de l'avenir des villes intelligentes#

Maintenant que nous avons passé en revue certaines applications des systèmes ANPR intégrés avec YOLO11, réfléchissons à ces applications de manière plus connectée.

Au-delà des applications individuelles, leurs avantages brillent vraiment lorsqu'ils sont considérés comme une solution cohérente dans l'infrastructure urbaine pour les villes intelligentes. À mesure que les villes évoluent pour devenir plus intelligentes, les systèmes ANPR jouent un rôle de plus en plus important dans l'infrastructure urbaine.

Par exemple, considère une ville intelligente où l'ANPR est utilisé pour gérer le trafic, accorder un accès sécurisé et rationaliser le stationnement, le tout en même temps. Un véhicule pourrait être détecté dès son entrée dans la ville, suivi tout au long de son parcours, autorisé à accéder aux zones restreintes et autorisé à se garer sans aucune intervention manuelle.

En intégrant des modèles de vision par ordinateur comme YOLO11, l'ANPR peut aider à gérer le trafic plus efficacement, renforcer la sécurité et améliorer la sécurité publique. Ces systèmes permettent une surveillance en temps réel, des processus automatisés et une prise de décision basée sur les données, essentiels pour gérer les complexités croissantes des villes modernes.

Link to this sectionUn dernier regard sur l'ANPR avec YOLO11#

Les systèmes ANPR deviennent essentiels pour l'infrastructure urbaine moderne, et l'intégration de modèles de vision par ordinateur comme YOLO11 les rend encore plus bénéfiques. YOLO11 améliore l'ANPR avec une meilleure précision, un traitement en temps réel et une adaptabilité, ce qui le rend idéal pour les applications de ville intelligente. De l'amélioration de la gestion du trafic et de l'application de la loi à l'automatisation du stationnement et de l'accès sécurisé, les systèmes ANPR alimentés 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 le soutien à l'avenir de l'infrastructure intelligente.

Pour en savoir plus sur l'IA, visite notre répertoire GitHub et engage-toi avec notre communauté. Explore les applications de l'IA dans la fabrication et l'agriculture sur nos pages de solutions. 🚀