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

Avec l’essor de l’IA, les innovations reposant sur la reconnaissance automatique des plaques d’immatriculation (ANPR) se généralisent. Les systèmes ANPR utilisent la vision par ordinateur pour lire automatiquement les plaques des véhicules, puis les identifier et les suivre. Les avancées récentes de l’IA ont permis d’intégrer rapidement ces systèmes à notre quotidien. Tu as peut-être déjà vu des systèmes ANPR aux péages ou lors de contrôles policiers de 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 de l’ANPR pour des applications comme la gestion du trafic et la sécurité.

Pour tirer le meilleur parti des applications ANPR, il est important de comprendre les techniques d’IA qui les sous-tendent. 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 les modèles de vision par ordinateur comme Ultralytics YOLO11. Dans cet article, nous verrons comment fonctionne l’ANPR et comment YOLO11 peut améliorer ces solutions.

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 (ANPR) comporte plusieurs étapes importantes pour identifier rapidement et avec précision les plaques des véhicules. Voyons comment ces étapes s’articulent pour rendre le processus efficace :

• Capture d’images : Tout d’abord, des caméras capturent des images de 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 servent à repérer la plaque d’immatriculation dans l’image.
• Reconnaissance optique de caractères (OCR) : l’OCR sert ensuite à lire les caractères de 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 pour confirmer les informations de la plaque.

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

Les systèmes ANPR peuvent souvent être confrontés à des difficultés comme un mauvais éclairage, des plaques de modèles différents et des conditions environnementales difficiles. YOLO11 peut contribuer à résoudre ces problèmes en améliorant la précision et la vitesse de détection, même dans des conditions difficiles. Avec des modèles comme YOLO11, l’ANPR peut fonctionner plus fiablement et repérer plus facilement les plaques en temps réel, de jour comme de nuit et même par mauvais temps. Dans la section suivante, nous verrons plus en détail 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). Modèle de détection d’objets prenant en charge les applications en temps réel, YOLO11 est une excellente solution pour améliorer des innovations comme les systèmes ANPR. YOLO11 convient également aux applications d’IA en périphérie. Les solutions ANPR intégrant YOLO11 peuvent ainsi fonctionner efficacement même lorsque la connexion réseau est peu fiable. Les systèmes ANPR peuvent donc continuer à fonctionner dans des endroits isolés ou des zones où la connectivité est limitée.

YOLO11 apporte également des gains d’efficacité par rapport à ses prédécesseurs. Par exemple, YOLO11m obtient une précision moyenne (mAP) supérieure sur le jeu de données COCO, avec 22 % de paramètres en moins que YOLOv8m. YOLO11 permet aux systèmes ANPR de mieux gérer divers problèmes, comme les variations d’éclairage, la diversité des formats de plaques et les véhicules en mouvement, pour une reconnaissance des plaques plus fiable et efficace.

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

Si tu te demandes comment utiliser YOLO11 dans ton projet ANPR, c’est très simple. Les variantes des modèles YOLO11 prenant en charge la détection d’objets ont été préentraînées sur le jeu de données COCO. Elles peuvent détecter 80 types d’objets différents, comme des voitures, des vélos et des animaux. Les plaques d’immatriculation ne faisant pas partie des étiquettes préentraînées, tu peux facilement entraîner YOLO11 sur mesure pour les détecter avec le package Python d’Ultralytics ou la plateforme Ultralytics sans code (anciennement Ultralytics HUB). Tu peux créer ton propre jeu de données ou partir d’un jeu de données public, comme le jeu de données de plaques d’immatriculation de voitures, pour adapter ton modèle YOLO11 personnalisé à l’ANPR.

Applications d’un système ANPR intégrant YOLO11#

Examinons maintenant les différentes applications où 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 circulation et les forces de l’ordre#

Dans les villes animées où les voitures circulent aux intersections et sur les autoroutes, les agents chargés de la circulation doivent gérer les embouteillages, surveiller les infractions au code de la route et assurer la sécurité publique. L’intégration de l’ANPR à YOLO11 peut grandement 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.

Dans l’ensemble, l’ANPR associé à 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 cadre de l’application de la loi, YOLO11 et l’ANPR peuvent collaborer pour suivre les véhicules volés et identifier ceux qui ont été signalés pour des activités suspectes. La détection en temps réel de YOLO11 permet de reconnaître les véhicules rapidement et de manière fiable, même lorsqu’ils roulent à grande vitesse. Cette capacité contribue à la sécurité publique en accélérant les interventions et en renforçant l’efficacité 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. Ils permettent par exemple aux voitures d’entrer dans un parking, de s’y garer et d’en sortir sans que le conducteur ait à utiliser un horodateur ou à solliciter un préposé. Les systèmes de stationnement ANPR utilisant YOLO11 facilitent les entrées, les sorties et les paiements.

Fig. 5. Gestion de parkings à l’aide de modèles Ultralytics YOLO.

Lorsqu’un véhicule approche de la barrière d’entrée, l’ANPR reposant sur YOLO11 reconnaît instantanément la plaque d’immatriculation. Le système vérifie ensuite la plaque dans une base de données préenregistrée ou crée une nouvelle entrée. La barrière s’ouvre automatiquement et laisse passer le véhicule, sans intervention manuelle. Ce processus plus rapide rend l’expérience plus pratique pour les conducteurs.

De même, lorsque le véhicule sort, le système détecte de 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 et contribue à réduire les embouteillages aux sorties, surtout 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 plus de rendre le stationnement plus pratique, elle aide les exploitants 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 sont une excellente option pour gérer l’accès aux zones sécurisées comme les résidences fermées, les campus d’entreprise et les installations à accès restreint. Grâce à l’ANPR, ces lieux peuvent automatiser leur sécurité et s’assurer que seuls les véhicules autorisés puissent y accéder.

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

Le principe est similaire à celui du système de gestion du stationnement évoqué précédemment. La principale différence est que le système vérifie la plaque par rapport à une liste de véhicules autorisés. Si le véhicule est approuvé, le portail s’ouvre automatiquement, permettant aux résidents, aux employés ou aux visiteurs d’accéder rapidement aux lieux tout en maintenant un haut niveau de sécurité. 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, un élément clé de l’avenir des villes intelligentes#

Maintenant que nous avons passé en revue quelques applications des systèmes ANPR intégrant YOLO11, examinons ces applications dans une perspective plus connectée.

Au-delà de leurs applications individuelles, leurs avantages se révèlent pleinement lorsqu’on les considère comme une solution cohérente au sein de l’infrastructure urbaine des villes intelligentes. À mesure que les villes deviennent plus intelligentes, les systèmes ANPR jouent un rôle de plus en plus important dans l’infrastructure urbaine.

Prenons l’exemple d’une ville intelligente où l’ANPR sert à gérer la circulation, à accorder un accès sécurisé et à fluidifier le stationnement, le tout simultanément. Un véhicule pourrait être détecté à son entrée dans la ville, suivi tout au long de son trajet, autorisé à accéder aux zones réglementées et à se garer sans aucune intervention manuelle.

En intégrant des modèles de vision par ordinateur comme YOLO11, l’ANPR peut contribuer à mieux gérer 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, autant d’éléments essentiels pour gérer la complexité croissante des villes modernes.

Pour conclure sur 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 performants. YOLO11 améliore l’ANPR grâce à une meilleure précision, au traitement en temps réel et à sa capacité d’adaptation, ce qui le rend idéal pour les applications des villes intelligentes. 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 propulsés par YOLO11 apportent efficacité et fiabilité. À mesure que les villes deviennent plus intelligentes, ces solutions joueront probablement un rôle déterminant dans la transformation de la vie urbaine et le développement des infrastructures intelligentes de demain.

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