Usare Ultralytics YOLO11 per il riconoscimento automatico delle targhe

Con la crescente diffusione dell'IA, sono sempre più comuni le innovazioni basate sul riconoscimento automatico delle targhe (ANPR). I sistemi ANPR usano la visione artificiale per leggere automaticamente le targhe dei veicoli, identificarli e tracciarli. I recenti progressi nell'IA hanno reso possibile integrare rapidamente questi sistemi nella vita quotidiana. Probabilmente avrai già visto sistemi ANPR ai caselli o durante i controlli di polizia per l'eccesso di velocità.

Il riconoscimento delle targhe sta diventando sempre più importante e si prevede che il mercato globale dei sistemi ANPR raggiungerà i 4,8 miliardi di dollari entro il 2027. A favorire questa crescita sono i vantaggi che ANPR offre in applicazioni come la gestione del traffico e la sicurezza.

Per ottenere i migliori risultati con le applicazioni ANPR, è importante comprendere le tecniche di IA alla base di queste soluzioni. Per esempio, il rilevamento di oggetti, un'attività di visione artificiale, è essenziale per riconoscere e tracciare accuratamente i veicoli; è qui che entrano in gioco modelli di visione artificiale come Ultralytics YOLO11. In questo articolo vedremo come funziona ANPR e come YOLO11, in particolare, possa migliorare le soluzioni ANPR.

Fig. 1. Utilizzo dei modelli Ultralytics YOLO per l'ANPR.

Come funziona il riconoscimento automatico delle targhe#

Il riconoscimento automatico delle targhe prevede alcuni passaggi importanti per identificare le targhe dei veicoli in modo rapido e accurato. Vediamo come questi passaggi collaborano per rendere efficiente il processo:

• Acquisizione delle immagini: per prima cosa, si usano telecamere per acquisire immagini dei veicoli. Le telecamere possono essere installate in posizioni fisse, come i caselli, oppure montate su veicoli della polizia per garantire la mobilità.
• Rilevamento delle targhe: poi, si usano modelli di rilevamento di oggetti come YOLO11 per individuare la targa nell'immagine.
• Riconoscimento ottico dei caratteri (OCR): successivamente, si usa l'OCR per leggere i caratteri sulla targa (nell'immagine) e convertirli in testo leggibile dalle macchine.
• Ricerca nel database: i dati testuali vengono quindi confrontati con un database per confermare le informazioni della targa.

Fig. 2. Esempio di utilizzo dei modelli Ultralytics YOLO per il rilevamento delle targhe.

I sistemi ANPR devono spesso affrontare problemi come l'illuminazione scarsa, i diversi design delle targhe e le condizioni ambientali difficili. YOLO11 può contribuire ad affrontare questi problemi migliorando l'accuratezza e la velocità di rilevamento, anche in condizioni difficili. Con modelli come YOLO11, ANPR può funzionare in modo più affidabile e identificare più facilmente le targhe in tempo reale, di giorno e di notte, anche con il maltempo. Nella prossima sezione vedremo più da vicino come usare YOLO11 per ottenere questi miglioramenti.

Come YOLO11 può migliorare un sistema ANPR#

Ultralytics YOLO11 è stato presentato per la prima volta all'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24). Essendo un modello di rilevamento di oggetti che supporta applicazioni in tempo reale, YOLO11 è un'ottima scelta per migliorare innovazioni come i sistemi ANPR. YOLO11 è inoltre adatto alle applicazioni di IA edge. Ciò consente alle soluzioni ANPR integrate con YOLO11 di funzionare efficacemente anche quando la connessione di rete è instabile. Di conseguenza, i sistemi ANPR possono continuare a funzionare in località remote o aree con connettività limitata.

YOLO11 offre anche miglioramenti in termini di efficienza rispetto alle versioni precedenti. Ad esempio, YOLO11m ottiene una precisione media media (mAP) superiore sul dataset COCO, con il 22% di parametri in meno rispetto a YOLOv8m. Con YOLO11, i sistemi ANPR gestiscono meglio diverse difficoltà, come le variazioni di illuminazione, i vari design delle targhe e i veicoli in movimento, garantendo un riconoscimento delle targhe più affidabile ed efficace.

Fig. 3. Confronto tra Ultralytics YOLO11 e le versioni precedenti.

Se ti stai chiedendo come usare YOLO11 nel tuo progetto ANPR, la procedura è molto semplice. Le varianti dei modelli YOLO11 che supportano il rilevamento di oggetti sono state preaddestrate sul dataset COCO. Questi modelli possono rilevare 80 tipi diversi di oggetti, come automobili, biciclette e animali. Sebbene le targhe non facciano parte delle classi preaddestrate, puoi addestrare facilmente YOLO11 su dati personalizzati per rilevare le targhe usando il pacchetto Python Ultralytics o la Ultralytics Platform senza codice (in precedenza Ultralytics HUB). Puoi creare un tuo dataset o partire da un dataset pubblico, come il dataset Car License Plate, per adattare al meglio il tuo modello YOLO11 personalizzato alle applicazioni ANPR.

Applicazioni di un sistema ANPR integrato con YOLO11#

Vediamo ora le diverse applicazioni in cui ANPR e YOLO11 possono essere usati insieme per migliorare l'efficienza e l'accuratezza.

Rilevamento delle targhe in tempo reale per il traffico e le forze dell'ordine#

Nelle città affollate, dove le auto attraversano incroci e autostrade, gli agenti devono gestire la congestione, monitorare le infrazioni stradali e garantire la sicurezza pubblica. L'integrazione di ANPR con YOLO11 può fare una grande differenza in queste attività. Riconoscendo immediatamente le targhe dei veicoli, le autorità possono tenere sotto controllo il flusso del traffico, far rispettare il codice della strada e identificare rapidamente i veicoli coinvolti in infrazioni. Per esempio, è facile individuare i veicoli che superano i limiti di velocità.

Fig. 4. Rilevamento e identificazione dei veicoli che superano i limiti di velocità con ANPR e YOLO11.

Nel complesso, l'ANPR con YOLO11 può automatizzare attività che altrimenti richiederebbero interventi manuali. Può rilevare i veicoli che passano con il semaforo rosso e gestire le operazioni ai caselli. L'automazione rende il sistema più efficiente e riduce il carico di lavoro degli agenti, permettendo loro di concentrarsi su responsabilità più importanti.

Nel settore delle forze dell'ordine, YOLO11 e ANPR possono collaborare per tracciare i veicoli rubati e identificare quelli segnalati per attività sospette. Il rilevamento in tempo reale di YOLO11 consente di riconoscere i veicoli in modo rapido e affidabile, anche quando si spostano ad alta velocità. Questa capacità contribuisce a migliorare la sicurezza pubblica, consentendo tempi di risposta più rapidi e interventi delle forze dell'ordine più efficaci.

Sistemi di gestione dei parcheggi all'avanguardia e ANPR#

Un'altra interessante applicazione dell'ANPR con YOLO11 riguarda i sistemi di gestione dei parcheggi. Ad esempio, consente di creare parcheggi in cui le auto possono entrare, parcheggiare e uscire senza che il conducente debba interagire con una biglietteria automatica o con un addetto. I sistemi di parcheggio ANPR basati su YOLO11 possono rendere più fluidi i processi di ingresso, uscita e pagamento.

Fig. 5. Gestione dei parcheggi con i modelli Ultralytics YOLO.

Quando un veicolo si avvicina alla barriera d'ingresso, il sistema ANPR basato su YOLO11 riconosce immediatamente la targa. Il sistema verifica quindi la targa in un database preesistente oppure crea una nuova registrazione. La barriera si apre automaticamente e lascia passare il veicolo senza alcun intervento manuale. Questa procedura più rapida rende l'esperienza dei conducenti più comoda.

All'uscita, il sistema rileva nuovamente la targa usando YOLO11. Calcola il tempo di sosta e può elaborare automaticamente il pagamento se il veicolo è registrato con un metodo di pagamento. L'automazione elimina la necessità di macchinette per il pagamento e aiuta a ridurre la congestione alle uscite, soprattutto nei momenti di maggiore affluenza.

La capacità di YOLO11 di rilevare le targhe con precisione e in tempo reale è fondamentale per il corretto funzionamento di questi sistemi di gestione dei parcheggi. Oltre a rendere il parcheggio più comodo, aiuta gli operatori a gestire meglio le strutture riducendo il lavoro manuale e migliorando il flusso del traffico.

Uso dell'ANPR per il controllo degli accessi nei sistemi di sicurezza#

I sistemi ANPR integrati con YOLO11 sono un'ottima soluzione per gestire l'accesso ad aree protette come complessi residenziali recintati, campus aziendali e strutture ad accesso limitato. Grazie all'ANPR, queste aree possono automatizzare la sicurezza e assicurarsi che possano entrare solo i veicoli autorizzati.

Fig. 6. Uso dell'ANPR per consentire ai veicoli autorizzati di accedere alle aree protette.

È simile al sistema di gestione dei parcheggi di cui abbiamo parlato prima. La differenza principale è che il sistema confronta la targa con un elenco di veicoli autorizzati. Se il veicolo è approvato, il cancello si apre automaticamente, offrendo un accesso rapido a residenti, dipendenti o visitatori e mantenendo un alto livello di sicurezza. Il processo riduce la necessità di controlli manuali, permettendo al personale di sicurezza di concentrarsi su attività più importanti.

I sistemi ANPR sono fondamentali per il futuro delle città intelligenti#

Ora che abbiamo esaminato alcune applicazioni dei sistemi ANPR integrati con YOLO11, consideriamo queste applicazioni in un'ottica più interconnessa.

I vantaggi di queste soluzioni non si limitano alle singole applicazioni, ma emergono pienamente quando vengono considerate come un'unica soluzione integrata nelle infrastrutture urbane delle smart city. Man mano che le città diventano più smart, i sistemi ANPR assumono un ruolo sempre più importante nelle infrastrutture urbane.

Per esempio, pensa a una smart city in cui l'ANPR viene utilizzato per gestire il traffico, garantire l'accesso sicuro e semplificare i parcheggi, tutto allo stesso tempo. Un veicolo potrebbe essere rilevato al suo ingresso in città, monitorato lungo il percorso, autorizzato ad accedere alle aree riservate e a parcheggiare senza alcun intervento manuale.

Integrando modelli di visione artificiale come YOLO11, l'ANPR può contribuire a gestire il traffico in modo più efficiente, rafforzare la sicurezza e migliorare la sicurezza pubblica. Questi sistemi consentono il monitoraggio in tempo reale, l'automazione dei processi e decisioni basate sui dati, aspetti essenziali per gestire la crescente complessità delle città moderne.

Uno sguardo conclusivo all'ANPR con YOLO11#

I sistemi ANPR stanno diventando essenziali per le infrastrutture urbane moderne e l'integrazione di modelli di visione artificiale come YOLO11 li rende ancora più vantaggiosi. YOLO11 potenzia l'ANPR con maggiore precisione, elaborazione in tempo reale e adattabilità, rendendolo ideale per le applicazioni delle smart city. Dal miglioramento della gestione del traffico e dell'applicazione della legge all'automazione dei parcheggi e degli accessi sicuri, i sistemi ANPR basati su YOLO11 offrono efficienza e affidabilità. Man mano che le città diventano più intelligenti, è probabile che queste soluzioni svolgano un ruolo cruciale nella trasformazione della vita urbana e nel sostegno alle infrastrutture intelligenti del futuro.

Per saperne di più sull'AI, visita il nostro repository GitHub e partecipa alla nostra community. Scopri le applicazioni dell'AI nella produzione e nell'agricoltura nelle nostre pagine dedicate alle soluzioni.