Cliccando su “Accetta tutti i cookie”, l'utente accetta di memorizzare i cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e assistere le nostre attività di marketing. Maggiori informazioni
Impostazioni dei cookie
Cliccando su “Accetta tutti i cookie”, l'utente accetta di memorizzare i cookie sul proprio dispositivo per migliorare la navigazione del sito, analizzare l'utilizzo del sito e assistere le nostre attività di marketing. Maggiori informazioni
Scopri come creare un sistema ANPR utilizzando Ultralytics YOLO11 per il rilevamento delle targhe e GPT-4o Mini per il riconoscimento del testo con accuratezza in tempo reale.
Trovare parcheggio in un lotto affollato, aspettare in lunghe file ai caselli autostradali o rimanere bloccati ai controlli di sicurezza è frustrante. I controlli manuali dei veicoli spesso richiedono troppo tempo e causano ritardi. Senza un sistema automatizzato, tracciare le auto in modo efficiente può essere difficile.
La computer vision ha cambiato questa situazione consentendo il riconoscimento in tempo reale delle targhe automobilistiche da immagini e flussi video. Ad esempio, Ultralytics YOLO11 è un modello avanzato di computer vision in grado di eseguire attività avanzate di Vision AI come l'object detection, la classificazione e il tracciamento. Utilizzando le capacità di object detection di YOLO11, è possibile rilevare con precisione le targhe dei veicoli nelle immagini.
In questo articolo, utilizzando il notebook Ultralytics Colab per ANPR, esploreremo 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
Tracciare manualmente le auto richiede molto tempo ed è soggetto a errori, soprattutto quando si muovono velocemente. Controllare ogni targa una per una rallenta il processo e aumenta il rischio di errori. Il riconoscimento automatico delle targhe risolve questo problema utilizzando la computer vision per rilevare e leggere istantaneamente le targhe, rendendo più efficiente il monitoraggio del traffico e la sicurezza.
I sistemi ANPR possono acquisire immagini o video di veicoli in transito e utilizzare il rilevamento di oggetti in tempo reale per identificare le targhe. Una volta rilevate, il riconoscimento del testo viene utilizzato per estrarre automaticamente i numeri di targa, senza la necessità di intervento umano. Questo processo garantisce risultati accurati, anche quando i veicoli si muovono rapidamente o le targhe sono parzialmente oscurate.
Fig. 1. Un esempio di utilizzo di YOLO11 per rilevare una targa.
Oggigiorno, i caselli autostradali, i sistemi di parcheggio e le forze dell'ordine si affidano sempre più all'ANPR per tracciare i veicoli in modo efficiente.
Sfide relative 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 influire sul funzionamento di un sistema ANPR:
Scarsa illuminazione e maltempo: Le targhe diventano più difficili da leggere di notte e in caso di maltempo. La nebbia, la pioggia e il bagliore dei fari possono offuscare il testo, rendendolo illeggibile.
Targhe sfocate o bloccate: Un'auto in rapido movimento può lasciare un'immagine sfocata, soprattutto se la velocità dell'otturatore della fotocamera è troppo lenta. Sporcizia, graffi o parti della targa coperte possono anche causare problemi di riconoscimento. L'utilizzo di fotocamere di alta qualità con le giuste impostazioni aiuta a ottenere risultati più chiari.
Design delle targhe non uniformi: Non tutte le targhe hanno lo stesso aspetto. Alcune hanno caratteri fantasiosi, testo aggiuntivo o loghi che confondono il sistema.
Rischi per la privacy e sicurezza dei dati: È importante archiviare i dati dei veicoli in modo sicuro. Le giuste misure di sicurezza possono impedire l'accesso non autorizzato e proteggere le informazioni. Con le dovute garanzie, i sistemi ANPR possono essere sia sicuri che affidabili.
Come YOLO11 migliora i sistemi ANPR
Ultralytics YOLO11 può rendere i sistemi ANPR più veloci e accurati. Elabora le immagini rapidamente mantenendo la precisione e non richiede un'elevata potenza di calcolo, quindi funziona bene su qualsiasi cosa, dalle piccole telecamere di sicurezza ai grandi sistemi di traffico.
Con il training personalizzato, YOLO11 può essere adattato a diversi stili di targhe, lingue e ambienti. Inoltre, offre buone prestazioni in condizioni difficili come scarsa illuminazione, motion blur e angolazioni complesse quando viene addestrato su dataset specializzati che includono immagini di queste condizioni.
Identificando i veicoli istantaneamente, YOLO11 aiuta a ridurre i tempi di attesa, prevenire errori e migliorare la sicurezza. Ciò rende il flusso del traffico più fluido e le operazioni più efficienti in parcheggi, caselli autostradali e sistemi di sorveglianza.
Costruire un sistema ANPR con YOLO11 e GPT-4o Mini
Successivamente, esaminiamo come creare un sistema ANPR utilizzando YOLO11 e GPT-4o Mini.
Esploreremo il codice presentato nel notebook Ultralytics Google Collab per questa soluzione. Il notebook di Google Colab è facile da usare e chiunque può creare un sistema ANPR senza bisogno di una configurazione complicata.
Passaggio 1: Impostazione dell'ambiente
Per iniziare, dovremo installare le nostre dipendenze, ovvero i pacchetti software e le librerie essenziali necessari per eseguire il nostro sistema ANPR. Queste dipendenze aiutano con attività come il rilevamento di oggetti, l'elaborazione di immagini e il riconoscimento del testo, garantendo che il sistema funzioni in modo efficiente.
Installeremo il pacchetto Python Ultralytics come mostrato di seguito. Questo pacchetto fornisce modelli pre-addestrati, utility di addestramento e strumenti di inferenza, rendendo più semplice rilevare e riconoscere le 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 è responsabile dell'estrazione del testo dalle targhe rilevate, abbiamo bisogno di una chiave API per accedere al modello. Questa chiave può essere ottenuta registrandosi all'API GPT-4o Mini. Una volta ottenuta la chiave, può essere aggiunta al notebook Colab in modo che il sistema possa connettersi al modello ed elaborare i numeri di targa.
Dopo aver completato la configurazione ed eseguito il codice di installazione, YOLO11 sarà pronto per rilevare le targhe e GPT-4o Mini sarà configurato per riconoscere ed estrarre il testo da esse.
Passaggio 2: Scarica il modello addestrato personalizzato
Ora che tutto è configurato, il passo successivo è scaricare il modello YOLO11 addestrato appositamente per rilevare le targhe. Poiché questo modello è già stato addestrato per rilevare le targhe, non è necessario addestrarlo da zero. Puoi semplicemente scaricarlo ed è pronto per l'uso. Questo fa risparmiare tempo e rende il processo molto più semplice.
Inoltre, scaricheremo un file video di esempio per testare il sistema. Se lo desideri, puoi eseguire questa soluzione anche sui tuoi file video. Una volta scaricati, il modello e i file video verranno archiviati nell'ambiente notebook.
Fig. 3. Download del modello e del file video.
Passaggio 3: Carica il video e avvia il rilevamento
Una volta che il modello è pronto, è il momento di vederlo in azione. Innanzitutto, il file video viene caricato per l'elaborazione, assicurandosi che si apra correttamente. Viene quindi impostato un video writer per salvare il filmato elaborato con le targhe rilevate, mantenendo le dimensioni e il frame rate originali. Infine, il modello viene caricato per rilevare le targhe in ogni frame del video.
Fig. 4. Lettura del video e caricamento del modello.
Una volta caricato il modello, il sistema inizierà ad analizzare ogni frame del video per rilevare le targhe. Quando viene trovata una targa, il sistema la evidenzia con un riquadro di rilevamento, rendendola facile da identificare. Questo passaggio assicura che vengano acquisiti solo i dettagli rilevanti, filtrando le informazioni di sfondo non necessarie. Con le targhe rilevate con successo, il video è ora pronto per la fase successiva.
Passaggio 4: Estrazione del testo dalle targhe
Dopo aver rilevato una targa, il passo successivo è il riconoscimento del testo. Il sistema ritaglia innanzitutto la targa dal fotogramma video, rimuovendo qualsiasi distrazione per una visione chiara. Questo aiuta a concentrarsi sui dettagli, migliorando 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 i numeri e le lettere e li converte in testo leggibile. Il testo riconosciuto viene quindi aggiunto di nuovo al video, etichettando ogni targa rilevata in tempo reale.
Una volta completati questi passaggi, il sistema ANPR è pienamente funzionante e pronto a riconoscere le targhe con facilità.
Passaggio 5: Salvataggio del video elaborato
La fase finale salva il video elaborato ed elimina i file temporanei, assicurando che tutto funzioni correttamente.
Ogni frame elaborato, con le targhe rilevate e il testo riconosciuto, viene scritto nel video di output finale. Una volta elaborati tutti i frame, il sistema chiude il file video da cui stava leggendo, liberando memoria e risorse di sistema. Finalizza e salva anche il video di output, rendendolo pronto per la riproduzione o ulteriori analisi.
Dopo aver costruito e testato una soluzione ANPR, il passo successivo è implementarla in un ambiente reale. La maggior parte dei modelli di Vision AI dipende dall'elaborazione ad alte prestazioni, ma Ultralytics YOLO11 è ottimizzato per l'Edge AI. Può funzionare in modo efficiente su piccoli dispositivi senza richiedere l'elaborazione cloud o una connessione internet costante, rendendolo un'ottima scelta per luoghi con risorse limitate.
Ad esempio, una comunità recintata può implementare YOLO11 su un dispositivo edge per identificare i veicoli che entrano, eliminando la necessità di grandi server. Tutto viene elaborato in loco in tempo reale, garantendo un accesso fluido, una riduzione della congestione e una maggiore sicurezza.
Nel frattempo, nelle aree con connettività internet stabile, l'ANPR basato su cloud può gestire più telecamere contemporaneamente. Ad esempio, in un centro commerciale, può tracciare i veicoli attraverso diversi ingressi e memorizzare i numeri di targa in un sistema centrale, semplificando il monitoraggio del parcheggio, migliorando la sicurezza e gestendo il flusso dei veicoli da remoto.
Il futuro dell'ANPR
Configurare un sistema di riconoscimento automatico delle targhe (ANPR) è semplice con Ultralytics YOLOv8. Rileva accuratamente le targhe e può essere addestrato su misura per adattarsi a diversi ambienti ed esigenze.
I sistemi ANPR migliorano la sicurezza, semplificano la gestione dei parcheggi e migliorano il monitoraggio del traffico. Automatizzando il riconoscimento delle targhe, riducono gli errori, accelerano l'identificazione e rendono più efficiente il tracciamento dei veicoli in varie applicazioni.
