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

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

La visione artificiale ha cambiato le cose, consentendo il riconoscimento in tempo reale delle targhe da immagini e flussi video. Per esempio, Ultralytics YOLO11 è un modello di visione artificiale che supporta attività di Vision AI 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 la creazione di soluzioni basate sull'AI per la visione. Questi notebook sono preconfigurati con dipendenze e modelli essenziali e guide dettagliate, per semplificare la creazione di applicazioni. In particolare, è disponibile un notebook Colab dedicato ad ANPR (riconoscimento automatico delle targhe).

In questo articolo, usando il notebook Colab di Ultralytics per ANPR, vedremo come creare una soluzione ANPR con Ultralytics YOLO11 per rilevare le targhe e GPT-4o Mini per riconoscere il testo.

Capire l'ANPR#

Tracciare manualmente le auto richiede tempo ed è soggetto a errori, soprattutto quando i veicoli si muovono rapidamente. Controllare le targhe una alla volta rallenta il processo e aumenta il rischio di sbagli. Il riconoscimento automatico delle targhe risolve il problema usando la visione artificiale per rilevare e leggere le targhe all'istante, rendendo più efficaci il monitoraggio del traffico e la sicurezza.

I sistemi ANPR possono acquisire immagini o video dei veicoli in transito e usare il rilevamento degli oggetti in tempo reale per identificare le targhe. Una volta rilevata una targa, il riconoscimento del testo ne estrae automaticamente i numeri, senza bisogno dell'intervento umano. Questo processo aiuta a mantenere risultati accurati anche quando i veicoli si muovono rapidamente o le targhe sono parzialmente oscurate.

Fig. 1. Esempio di utilizzo di Ultralytics YOLO11 per rilevare una targa.

Oggi i caselli, i sistemi di parcheggio e le forze dell'ordine si affidano sempre più all'ANPR per monitorare i veicoli in modo efficiente.

Sfide legate alla tecnologia ANPR#

Sebbene l'ANPR identifichi rapidamente i veicoli, ci sono 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 è più difficile leggere le targhe. Nebbia, pioggia e riflessi dei fari possono sfocare il testo, rendendolo illeggibile.
• Targhe sfocate o ostruite: un'auto in rapido movimento può apparire sfocata, soprattutto se il tempo di esposizione della fotocamera è troppo lungo. Anche sporco, graffi o parti della targa coperte possono causare problemi di riconoscimento. Usare fotocamere di alta qualità con le impostazioni giuste aiuta a ottenere risultati più nitidi.
• Design delle targhe non uniformi: le targhe non sono tutte uguali. Alcune hanno caratteri decorativi, 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. Le misure di sicurezza adeguate possono impedire gli accessi non autorizzati e proteggere le informazioni. Con le dovute misure di protezione, 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 velocemente mantenendo la precisione e non richiede una grande potenza di calcolo, quindi funziona bene su qualsiasi dispositivo, dalle piccole telecamere di sicurezza ai grandi sistemi di monitoraggio del traffico.

Con il custom training, Ultralytics YOLO11 può essere adattato a diversi stili di targa, lingue e ambienti. I dataset pubblici come Car License Plate su Ultralytics Platform sono un ottimo punto di partenza. Il modello offre buone prestazioni anche in condizioni difficili, come scarsa illuminazione, sfocatura da movimento e angolazioni difficili, se viene addestrato su dataset specializzati che includono immagini di queste condizioni.

Identificando subito i veicoli, Ultralytics YOLO11 aiuta 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 sorveglianza.

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

Vediamo ora come creare un sistema ANPR usando Ultralytics YOLO11 e GPT-4o Mini.

Esamineremo il codice mostrato nel notebook Google Colab di Ultralytics dedicato a questa soluzione. Il notebook Google Colab è facile da usare e chiunque può creare un sistema ANPR senza configurazioni complicate.

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, assicurando un funzionamento efficiente del sistema.

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

Fig. 2. Installazione del pacchetto Python Ultralytics.

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

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

Passaggio 2: scaricare il modello con addestramento personalizzato#

Ora che tutto è pronto, il passaggio successivo consiste nello scaricare il modello Ultralytics YOLO11 con addestramento personalizzato per rilevare le targhe. Poiché il modello è già stato addestrato per rilevare le targhe, non è necessario addestrarlo da zero. Ti basta scaricarlo: è subito pronto all'uso. In questo modo risparmi tempo e semplifichi notevolmente il processo.

Scaricheremo anche un 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#

Una volta pronto il modello, è il momento di provarlo. Per prima cosa, si carica il file video da elaborare, verificando che si apra correttamente. Si configura quindi un writer video per salvare le riprese elaborate con le targhe rilevate, mantenendo le dimensioni e la frequenza dei fotogrammi originali. Infine, si carica il modello per rilevare le targhe in ogni fotogramma del video.

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

Una volta caricato il modello, il sistema inizierà ad analizzare ogni fotogramma del video per rilevare le targhe. Quando ne trova una, la evidenzia con un riquadro di delimitazione, rendendola facile da individuare. In questo modo vengono acquisiti solo i dettagli pertinenti, escludendo le informazioni di sfondo superflue. Dopo aver rilevato correttamente le targhe, il video è pronto per la fase successiva.

Passaggio 4: estrazione del testo dalle targhe#

Dopo aver rilevato una targa, il passaggio successivo è il riconoscimento del testo, noto anche come riconoscimento ottico dei caratteri (OCR). Il sistema ritaglia innanzitutto la targa dal fotogramma del video, eliminando gli elementi di disturbo per renderla più visibile. Questo aiuta a concentrarsi sui dettagli e migliora la precisione anche in condizioni difficili, come scarsa illuminazione o sfocatura da 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 poi aggiunto al video, così ogni targa rilevata viene contrassegnata in tempo reale.

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

Passaggio 5: salvataggio del video elaborato#

Il passaggio finale salva il video elaborato ed elimina i file temporanei, assicurando che tutto funzioni senza intoppi.

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 da cui stava leggendo, liberando memoria e risorse di sistema. Inoltre, completa e salva il video di output, rendendolo pronto per la riproduzione o per ulteriori analisi.

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

Distribuzione di un sistema ANPR#

Dopo aver creato e testato una soluzione ANPR, il passaggio successivo è distribuirla in un ambiente reale. Molti modelli di Vision AI dipendono dall'elaborazione ad alte prestazioni, ma Ultralytics YOLO11 è ottimizzato per l'edge AI. Può funzionare in modo efficiente su dispositivi di piccole dimensioni senza richiedere elaborazione cloud o una connessione Internet costante, risultando un'ottima scelta per le località con risorse limitate.

Per esempio, una comunità residenziale recintata può distribuire Ultralytics YOLO11 su un dispositivo edge per identificare i veicoli al loro ingresso, senza bisogno di server di grandi dimensioni. Tutto viene elaborato in loco e in tempo reale, garantendo un accesso agevole, meno congestione e maggiore sicurezza.

Fig. 6. Rilevamento delle targhe con YOLO11.

Nelle aree con una connessione Internet stabile, invece, un sistema ANPR basato sul cloud può gestire più telecamere contemporaneamente. Per esempio, in un centro commerciale può tracciare i veicoli ai diversi ingressi e memorizzare i numeri di targa in un sistema centralizzato, 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. Il sistema rileva con precisione le targhe e può essere addestrato su misura 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, accelerano l'identificazione e rendono più efficiente il tracciamento dei veicoli in diverse applicazioni.

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