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

À mesure que l'adoption de l'IA progresse, les innovations qui dépendent de la reconnaissance automatique des plaques d'immatriculation (ANPR) se généralisent. 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 permis d'intégrer rapidement ces systèmes dans notre vie quotidienne. En fait, tu as peut-être déjà vu des systèmes ANPR aux barrières de péage ou lors de contrôles de police pour les véhicules en excès de vitesse.

La reconnaissance des plaques d'immatriculation prend une importance croissante, et le marché mondial des systèmes ANPR devrait atteindre 4,8 milliards de dollars d'ici 2027. L'un des facteurs de cette croissance réside dans les avantages que l'ANPR offre pour des applications telles que 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, et c'est là qu'interviennent les modèles de vision par ordinateur tels qu'Ultralytics YOLO11. Dans cet article, nous allons examiner le fonctionnement de l'ANPR et la manière dont YOLO11, en particulier, peut améliorer les solutions ANPR.

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

Comment 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 : Premièrement, des caméras sont utilisées pour capturer des images de véhicules. Ces caméras peuvent être installées à des emplacements fixes, comme les stations de péage, ou montées sur des véhicules de police pour plus de mobilité.
• Détection de plaques d'immatriculation : Ensuite, des modèles de détection d'objets tels que YOLO11 sont utilisés pour repérer la plaque d'immatriculation sur l'image.
• Reconnaissance optique de caractères (OCR) : Puis, l'OCR est utilisée pour lire les caractères présents sur la plaque (dans l'image) et les convertir en texte lisible par 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. Exemple d'utilisation des modèles Ultralytics YOLO pour la détection de plaques d'immatriculation.

Les systèmes ANPR doivent souvent faire face à des défis tels qu'un éclairage insuffisant, des designs de plaques variés et des conditions environnementales difficiles. YOLO11 peut t'aider à surmonter ces difficultés en augmentant la précision et la vitesse de détection, même dans des conditions ardues. Grâce à des modèles comme YOLO11, l'ANPR fonctionne de manière plus fiable, facilitant l'identification des plaques en temps réel, de jour comme de nuit, ou par mauvais temps. Dans la section suivante, nous examinerons de plus près comment tu peux 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 est une excellente option pour améliorer des innovations telles que les systèmes ANPR. YOLO11 convient également aux applications d'edge AI. Cela permet aux solutions ANPR intégrées avec YOLO11 de fonctionner efficacement, même lorsque la connexion réseau est instable. Par conséquent, les systèmes ANPR peuvent s'exécuter de manière fluide dans des endroits reculés ou des zones à connectivité limitée.

YOLO11 apporte également des gains d'efficacité par rapport à ses prédécesseurs. Par exemple, YOLO11m atteint une précision moyenne (mAP) plus élevée sur le jeu de données COCO avec 22 % de paramètres en moins par rapport au YOLOv8m. Avec YOLO11, les systèmes ANPR peuvent mieux gérer divers défis tels que des conditions d'éclairage changeantes, des designs de plaques divers et des véhicules en mouvement, ce qui se traduit par une reconnaissance des plaques d'immatriculation plus fiable et plus 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 variantes des modèles YOLO11 qui prennent 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, tels que les voitures, les bicyclettes et les animaux. Bien que les plaques d'immatriculation ne fassent pas partie des étiquettes pré-entraînées, tu peux facilement entraîner sur mesure YOLO11 pour détecter des plaques d'immatriculation en utilisant le paquet Python d'Ultralytics ou la plateforme sans code Ultralytics HUB. Tu as la flexibilité de créer ou d'utiliser un jeu de données de plaques d'immatriculation dédié pour rendre ton modèle YOLO11 entraîné sur mesure idéal pour l'ANPR.

Applications 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.

Détection de plaque d'immatriculation en temps réel pour le trafic et l'application de la loi#

Dans les villes animées où les voitures circulent à travers les carrefours et les autoroutes, les agents de la circulation doivent gérer les embouteillages, surveiller les infractions routières et garantir la sécurité publique. L'ANPR, lorsqu'elle est intégrée à YOLO11, peut faire une énorme différence dans ces missions. En reconnaissant instantanément les plaques des véhicules, les autorités peuvent surveiller la circulation, faire respecter les lois de la circulation et identifier rapidement les véhicules impliqués dans des infractions. Par exemple, les véhicules en excès de vitesse peuvent être facilement interceptés.

Fig. 4. Détection et identification de véhicules en excès de vitesse avec l'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.

En matière d'application de la loi, YOLO11 et l'ANPR peuvent s'associer 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 à grande vitesse. Cette capacité contribue à améliorer la sécurité publique en permettant des temps de réponse plus rapides et une action policière plus efficace.

Systèmes de gestion de stationnement de pointe et ANPR#

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

Fig. 5. Gestion des parkings à l'aide des 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 quitte les lieux, le système détecte à nouveau la plaque d'immatriculation à l'aide de YOLO11. Il calcule la durée du stationnement et peut traiter automatiquement le paiement si le véhicule est enregistré avec un moyen de paiement. Cette automatisation élimine le besoin de bornes de paiement physiques et aide 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 pour assurer le bon fonctionnement de ces systèmes de gestion de parking. En plus de rendre le stationnement plus pratique, cela aide les exploitants à mieux gérer leurs installations en réduisant le travail manuel et en améliorant la fluidité du trafic.

Utilisation de 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 telles que des résidences fermées, des campus d'entreprise et des installations réglementées. En utilisant l'ANPR, ces sites peuvent automatiser leur sécurité en s'assurant que seuls les véhicules autorisés sont admis.

Fig. 6. Utilisation de l'ANPR pour autoriser l'accès des véhicules autorisés dans les zones sécurisées.

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.

Les 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 de leur rôle d'applications individuelles, leurs avantages brillent véritablement lorsqu'ils sont perçus comme une solution cohérente au sein de 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, imagine une ville intelligente où l'ANPR est utilisée pour gérer la circulation, accorder un accès sécurisé et rationaliser le stationnement en même temps. Un véhicule pourrait être détecté à son entrée dans la ville, suivi tout au long de son parcours, autorisé à accéder aux zones réglementées et garé sans aucune intervention manuelle.

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

Un 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 dépôt GitHub et rejoins notre communauté. Explore les applications de l'IA dans l'industrie manufacturière et l'agriculture sur nos pages de solutions. 🚀