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

Trovare parcheggio in un lotto affollato, attendere in lunghe file ai caselli o restare bloccati ai controlli di sicurezza è frustrante. I controlli manuali dei veicoli richiedono spesso troppo tempo e causano ritardi. Senza un sistema automatizzato, tracciare i veicoli in modo efficiente può essere difficile.

La computer vision ha cambiato questo scenario consentendo il riconoscimento delle targhe in tempo reale da immagini e flussi video. Ad esempio, Ultralytics YOLO11 è un modello avanzato di computer vision in grado di eseguire compiti complessi di AI visiva come il rilevamento, la classificazione e il tracciamento di oggetti. Utilizzando le capacità di rilevamento oggetti di YOLO11, puoi rilevare con precisione le targhe dei veicoli nelle immagini.

Ultralytics offre esaurienti notebook Google Colab che semplificano il processo di costruzione di soluzioni basate sulla vision AI. Questi notebook sono preconfigurati con le dipendenze essenziali, i modelli e le guide passo-passo, rendendo la creazione di applicazioni più semplice. In particolare, è disponibile un notebook Colab dedicato per l'ANPR (Automatic Number Plate Recognition).

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

Link to this sectionComprendere l'ANPR#

Tracciare i veicoli manualmente richiede tempo ed è soggetto a errori, specialmente quando si muovono rapidamente. Controllare ogni targa una per una rallenta il processo e aumenta il rischio di sviste. Il riconoscimento automatico delle targhe risolve questo problema utilizzando la computer vision per rilevare e leggere le targhe istantaneamente, rendendo il monitoraggio del traffico e la sicurezza più efficienti.

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

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

Oggi, 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.

Link to this sectionSfide legate alla tecnologia ANPR#

Sebbene l'ANPR identifichi rapidamente i veicoli, esistono ancora alcune sfide che possono influenzarne la precisione. Ecco alcuni problemi comuni che possono incidere sul funzionamento di un sistema ANPR:

• Scarsa illuminazione e maltempo: Le targhe diventano più difficili da leggere di notte e con il maltempo. Nebbia, pioggia e l'abbagliamento dei fari possono sfuocare il testo, rendendolo illeggibile.
• Targhe sfuocate o ostruite: Un'auto che si muove velocemente può produrre un'immagine sfuocata, specialmente se la velocità dell'otturatore della fotocamera è troppo bassa. Anche sporcizia, 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 chiari.
• Design delle targhe incoerenti: Non tutte le targhe sono uguali. Alcune presentano caratteri particolari, testo aggiuntivo o loghi che possono confondere il sistema.
• Rischi per la privacy e sicurezza dei dati: Conservare i dati dei veicoli in modo sicuro è importante. Le giuste misure di sicurezza possono prevenire l'accesso non autorizzato e mantenere protette le informazioni. Con adeguate salvaguardie, i sistemi ANPR possono essere sia sicuri che affidabili.

Link to this sectionCome YOLO11 migliora i sistemi ANPR#

Ultralytics YOLO11 può rendere i sistemi ANPR più veloci e precisi. Elabora le immagini rapidamente mantenendo la precisione e non richiede un'elevata potenza di calcolo, quindi funziona bene su tutto, dalle piccole telecamere di sicurezza ai grandi sistemi di traffico.

Con l'addestramento personalizzato, YOLO11 può essere adattato a diversi stili di targa, lingue e ambienti. Offre buone prestazioni anche in condizioni difficili come scarsa illuminazione, sfuocatura da movimento e angolazioni complesse quando viene addestrato su dataset specializzati che includono immagini di tali condizioni.

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

Link to this sectionCostruire un sistema ANPR con YOLO11 e GPT-4o Mini#

Ora, vediamo passo dopo passo come costruire un sistema ANPR utilizzando YOLO11 e GPT-4o Mini.

Esploreremo il codice mostrato 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 bisogno di una configurazione complicata.

Link to this sectionPassaggio 1: Configurazione dell'ambiente#

Per iniziare, dovremo installare le nostre dipendenze, ovvero i pacchetti software e le librerie essenziali necessarie per eseguire il nostro sistema ANPR. Queste dipendenze aiutano in compiti come il rilevamento di oggetti, l'elaborazione di immagini e il riconoscimento del testo, assicurando che il sistema funzioni in modo efficiente.

Installeremo il pacchetto Python di 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 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, abbiamo bisogno di una chiave API per accedere al modello. Questa chiave può essere ottenuta registrandosi per la API di 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 a rilevare le targhe e GPT-4o Mini sarà pronto a riconoscere ed estrarre il testo da esse.

Link to this sectionPassaggio 2: Scaricare il modello addestrato in modo personalizzato#

Ora che tutto è pronto, il passo successivo è scaricare il modello YOLO11 che è stato addestrato in modo personalizzato per rilevare le targhe. Poiché questo modello è già stato addestrato a questo scopo, non c'è bisogno di addestrarlo da zero. Puoi semplicemente scaricarlo ed è pronto all'uso. Questo fa risparmiare tempo e rende il processo molto più semplice.

Inoltre, scaricheremo 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.

Link to this sectionPassaggio 3: Caricare il video e avviare il rilevamento#

Una volta che il modello è pronto, è il momento di vederlo in azione. Per prima cosa, il file video viene caricato per l'elaborazione, assicurandosi che si apra correttamente. Viene quindi configurato un video writer per salvare il filmato elaborato con le targhe rilevate, mantenendo la dimensione e il frame rate originali. Infine, il modello viene caricato 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 viene trovata una targa, il sistema la evidenzia con un riquadro di rilevamento, rendendo facile identificarla. Questo passaggio garantisce che vengano catturati 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.

Link to this sectionPassaggio 4: Estrarre il testo dalle targhe#

Dopo aver rilevato una targa, il passaggio successivo è il riconoscimento del testo. Il sistema prima ritaglia la targa dal fotogramma del 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 sfuocatura 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 poi aggiunto al video, etichettando ogni targa rilevata in tempo reale.

Con questi passaggi completati, il sistema ANPR è pienamente funzionale e pronto a riconoscere le targhe con facilità.

Link to this sectionPassaggio 5: Salvare il video elaborato#

Il passaggio finale salva il video elaborato e pulisce i file temporanei, assicurando che tutto funzioni senza problemi.

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 finalizza e salva il video di output, rendendolo pronto per la riproduzione o per ulteriori analisi.

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

Link to this sectionDistribuire un sistema ANPR#

Dopo aver costruito e testato una soluzione ANPR, il passaggio successivo è distribuirla in un ambiente reale. La maggior parte dei modelli di vision AI dipende dal calcolo ad alte prestazioni, ma Ultralytics YOLO11 è ottimizzato per l'Edge AI. Può funzionare in modo efficiente su piccoli dispositivi senza richiedere elaborazione cloud o una connessione internet costante, rendendolo un'ottima scelta per posizioni con risorse limitate.

Ad esempio, una comunità residenziale può distribuire YOLO11 su un dispositivo edge per identificare i veicoli mentre entrano, eliminando la necessità di grandi server. Tutto viene elaborato in loco in tempo reale, garantendo un accesso fluido, riduzione della congestione e maggiore sicurezza.

Fig 6. Rilevamento di targhe con YOLO11.

Nel frattempo, in 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, rendendo più semplice monitorare il parcheggio, migliorare la sicurezza e gestire il flusso dei veicoli da remoto.

Link to this sectionIl futuro dell'ANPR#

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

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

Unisciti alla nostra community e visita il nostro repository GitHub per vedere l'AI in azione. Esplora le nostre opzioni di licenza e scopri di più sulla vision AI nella produzione e sull'AI nelle auto a guida autonoma sulle nostre pagine delle soluzioni.