Crea un sistema ANPR con Ultralytics YOLO11 e GPT-4o Mini

Trovare parcheggio in un'area affollata, aspettare in lunghe file ai caselli o rimanere bloccati ai checkpoint di sicurezza è frustrante. I controlli manuali dei veicoli richiedono spesso troppo tempo e causano ritardi. Senza un sistema automatizzato, monitorare le auto in modo efficiente può essere difficile.

La visione artificiale ha cambiato questa situazione, consentendo il riconoscimento in tempo reale delle targhe da immagini e flussi video. Ad esempio, Ultralytics YOLO11 è un modello avanzato di visione artificiale in grado di eseguire attività avanzate di IA per la visione, come il rilevamento, la classificazione e il tracciamento degli oggetti. Grazie alle capacità di rilevamento degli oggetti di YOLO11, puoi rilevare con precisione le targhe dei veicoli nelle immagini.

Ultralytics offre notebook Google Colab completi che semplificano il processo di creazione di soluzioni basate sull'IA per la visione. Questi notebook sono preconfigurati con dipendenze essenziali, modelli e guide dettagliate passo passo, rendendo più semplice la creazione di applicazioni. In particolare, è disponibile un notebook Colab dedicato all'ANPR (riconoscimento automatico delle targhe).

In questo articolo, utilizzando il notebook Colab di Ultralytics per l'ANPR, vedremo come creare una soluzione ANPR usando Ultralytics YOLO11 per il rilevamento delle targhe e GPT-4o Mini per il riconoscimento del testo.

Comprendere l'ANPR#

Monitorare manualmente le auto richiede molto tempo ed è soggetto a errori, soprattutto quando si muovono rapidamente. Controllare ogni targa una alla volta rallenta il processo e aumenta il rischio di errori. Il riconoscimento automatico delle targhe risolve questo problema usando la visione artificiale per rilevare e leggere istantaneamente le targhe, rendendo più efficienti il monitoraggio del traffico e la sicurezza.

I sistemi ANPR possono acquisire immagini o video di veicoli in transito e usare il rilevamento degli oggetti in tempo reale per identificare le targhe. Una volta rilevate, il riconoscimento del testo viene utilizzato per estrarre automaticamente i numeri delle targhe, senza intervento umano. Questo processo garantisce risultati accurati anche quando i veicoli si muovono rapidamente o le targhe sono parzialmente oscurate.

Fig. 1. Un esempio dell'uso di Ultralytics YOLO11 per rilevare una targa.

Oggi, i caselli, i sistemi di parcheggio e le forze dell'ordine fanno sempre più affidamento sull'ANPR per monitorare i veicoli in modo efficiente.

Sfide legate alla tecnologia ANPR#

Sebbene l'ANPR identifichi rapidamente i veicoli, esistono ancora alcune sfide che possono influire sulla sua accuratezza. Ecco alcuni problemi comuni che possono incidere sul funzionamento di un sistema ANPR:

• Scarsa illuminazione e maltempo: Di notte e in condizioni meteorologiche avverse, le targhe diventano più difficili da leggere. Nebbia, pioggia e il bagliore dei fari possono sfocare il testo, rendendolo illeggibile.
• Targhe sfocate o ostruite: Un'auto in rapido movimento può produrre un'immagine sfocata, soprattutto se la velocità dell'otturatore della fotocamera è troppo bassa. Anche sporco, graffi o parti della targa coperte possono causare problemi di riconoscimento. L'uso di fotocamere di alta qualità con le impostazioni corrette aiuta a ottenere risultati più nitidi.
• Design delle targhe non uniformi: Non tutte le targhe hanno lo stesso aspetto. Alcune presentano caratteri elaborati, testo aggiuntivo o loghi che confondono il sistema.
• Rischi per la privacy e sicurezza dei dati: È importante conservare in modo sicuro i dati dei veicoli. Misure di sicurezza adeguate possono impedire gli accessi non autorizzati e proteggere le informazioni. Con le opportune garanzie, i sistemi ANPR possono essere sicuri e affidabili.

Come Ultralytics YOLO11 migliora i sistemi ANPR#

Ultralytics YOLO11 può rendere i sistemi ANPR più rapidi e accurati. Elabora le immagini rapidamente mantenendo la precisione e non richiede una potenza di calcolo elevata, quindi funziona bene su dispositivi che vanno dalle piccole telecamere di sicurezza ai grandi sistemi di gestione del traffico.

Con l'addestramento personalizzato, Ultralytics YOLO11 può essere adattato a diversi stili di targhe, lingue e ambienti. Offre inoltre buone prestazioni in condizioni difficili, come scarsa illuminazione, sfocatura dovuta al movimento e angolazioni complesse, se sottoposto ad addestramento personalizzato su dataset specializzati che includono immagini di queste condizioni.

Identificando istantaneamente i veicoli, Ultralytics YOLO11 contribuisce a ridurre i tempi di attesa, prevenire gli errori e migliorare la sicurezza. Questo rende più fluido il traffico e più efficienti le operazioni nei parcheggi, ai caselli e nei sistemi di videosorveglianza.

Creare un sistema ANPR con Ultralytics YOLO11 e GPT-4o Mini#

Ora vediamo passo passo come creare un sistema ANPR usando Ultralytics YOLO11 e GPT-4o Mini.

Esamineremo il codice presentato nel notebook Google Colab di Ultralytics per questa soluzione. Il notebook Google Colab è facile da usare e chiunque può creare un sistema ANPR senza dover configurare un ambiente complesso.

Passaggio 1: configurazione dell'ambiente#

Per iniziare, dovremo installare le dipendenze, ovvero i pacchetti software e le librerie essenziali necessari per eseguire il sistema ANPR. Queste dipendenze supportano attività come il rilevamento degli oggetti, l'elaborazione delle immagini e il riconoscimento del testo, garantendo un funzionamento efficiente del sistema.

Installeremo il pacchetto Python di Ultralytics come mostrato di seguito. Questo pacchetto fornisce modelli preaddestrati, utilità per l'addestramento e strumenti per l'inferenza, semplificando il rilevamento e il riconoscimento delle targhe con YOLO11.

Fig. 2. Installazione del pacchetto Python di Ultralytics.

Dovremo anche configurare GPT-4o Mini per il riconoscimento del testo. Poiché GPT-4o Mini è responsabile dell'estrazione del testo dalle targhe rilevate, ci serve una chiave API per accedere al modello. Puoi ottenere questa chiave registrandoti all'API di GPT-4o Mini. Una volta ottenuta, puoi aggiungerla al notebook Colab affinché il sistema possa connettersi al modello ed elaborare i numeri delle targhe.

Dopo aver completato la configurazione ed eseguito il codice di installazione, Ultralytics YOLO11 sarà pronto per rilevare le targhe e GPT-4o Mini sarà configurato per riconoscere ed estrarre il testo da esse.

Passaggio 2: scaricare il modello sottoposto ad addestramento personalizzato#

Ora che tutto è configurato, il passaggio successivo consiste nel scaricare il modello Ultralytics YOLO11 sottoposto ad addestramento personalizzato per rilevare le targhe. Poiché questo modello è già stato addestrato a rilevare le targhe, non è necessario addestrarlo da zero. Puoi semplicemente scaricarlo e iniziare a usarlo. Questo fa risparmiare tempo e semplifica notevolmente il processo.

Scaricheremo anche un file video di esempio per testare il sistema. Se vuoi, puoi eseguire questa soluzione anche sui tuoi file video. Una volta scaricati, il modello e i file video verranno archiviati nell'ambiente del notebook.

Fig. 3. Download del modello e del file video.

Passaggio 3: caricare il video e avviare il rilevamento#

Quando il modello è pronto, è il momento di vederlo in azione. Per prima cosa, il file video viene caricato per l'elaborazione, verificando che si apra correttamente. Viene quindi configurato un writer video per salvare il filmato elaborato con le targhe rilevate, mantenendo le dimensioni e la frequenza dei fotogrammi originali. Infine, il modello viene caricato per rilevare le targhe in ogni fotogramma del video.

Fig. 4. Lettura del video e caricamento del modello.

Dopo il caricamento del modello, il sistema inizierà ad analizzare ogni fotogramma del video per rilevare le targhe. Quando ne trova una, la evidenzia con un riquadro di rilevamento, rendendola facile da identificare. Questo passaggio garantisce che vengano acquisiti solo i dettagli pertinenti, filtrando le informazioni di sfondo non necessarie. Una volta rilevate correttamente le targhe, il video è pronto per la fase successiva.

Passaggio 4: estrarre il testo dalle targhe#

Dopo aver rilevato una targa, il passaggio successivo è il riconoscimento del testo. Il sistema ritaglia innanzitutto la targa dal fotogramma video, rimuovendo gli elementi di disturbo per ottenere una visualizzazione chiara. Questo aiuta a concentrarsi sui dettagli e migliora l'accuratezza anche in condizioni difficili, come scarsa illuminazione o sfocatura dovuta al movimento.

Una volta isolata la targa, GPT-4o Mini analizza l'immagine, estrae numeri e lettere e li converte in testo leggibile. Il testo riconosciuto viene quindi aggiunto nuovamente al video, etichettando ogni targa rilevata in tempo reale.

Completati questi passaggi, il sistema ANPR è pienamente operativo e pronto a riconoscere facilmente le targhe.

Passaggio 5: salvare il video elaborato#

L'ultimo passaggio salva il video elaborato ed elimina i file temporanei, garantendo un funzionamento fluido.

Ogni fotogramma elaborato, con le targhe rilevate e il testo riconosciuto, viene scritto nel video di output finale. Una volta elaborati tutti i fotogrammi, il sistema chiude il file video che stava leggendo, liberando memoria e risorse di sistema. Completa e salva inoltre il video di output, rendendolo pronto per la riproduzione o per ulteriori analisi.

Fig. 5. Utilizzo di YOLO11 e GPT-4o Mini per l'ANPR.

Distribuire un sistema ANPR#

Dopo aver creato e testato una soluzione ANPR, il passaggio successivo consiste nel distribuirla in un ambiente reale. La maggior parte dei modelli di IA per la visione dipende da risorse di calcolo ad alte prestazioni, ma Ultralytics YOLO11 è ottimizzato per l'IA all'edge. Può funzionare in modo efficiente su dispositivi di piccole dimensioni senza richiedere elaborazione nel cloud o una connessione Internet costante, il che lo rende una scelta ideale per le aree con risorse limitate.

Ad esempio, un complesso residenziale con accesso controllato può distribuire Ultralytics YOLO11 su un dispositivo edge per identificare i veicoli al loro ingresso, eliminando la necessità di server di grandi dimensioni. Tutto viene elaborato in loco in tempo reale, garantendo un accesso fluido, una congestione ridotta e una maggiore sicurezza.

Fig. 6. Rilevamento delle targhe con YOLO11.

Al contrario, nelle aree con una connettività Internet stabile, l'ANPR basato sul cloud può gestire simultaneamente più telecamere. Ad esempio, in un centro commerciale può monitorare i veicoli attraverso ingressi diversi e memorizzare i numeri delle targhe in un sistema centrale, semplificando il monitoraggio dei parcheggi, migliorando la sicurezza e gestendo da remoto il flusso dei veicoli.

Il futuro dell'ANPR#

Configurare un sistema di riconoscimento automatico delle targhe (ANPR) è semplice con Ultralytics YOLO11. Rileva accuratamente le targhe e può essere sottoposto ad addestramento personalizzato per adattarsi a diversi ambienti e requisiti.

I sistemi ANPR migliorano la sicurezza, semplificano la gestione dei parcheggi e ottimizzano il monitoraggio del traffico. Automatizzando il riconoscimento delle targhe, riducono gli errori, velocizzano l'identificazione e rendono più efficiente il monitoraggio dei veicoli in diverse applicazioni.

Unisciti alla nostra community e visita il nostro repository GitHub per vedere l'IA in azione. Esplora le nostre opzioni di licenza e scopri di più sull'IA per la visione nella produzione e sull'IA nelle auto a guida autonoma nelle nostre pagine dedicate alle soluzioni.