Utilizzo di Ultralytics YOLO11 per il riconoscimento automatico delle targhe

Con l'adozione dell'IA in aumento, le innovazioni che dipendono dal Riconoscimento Automatico delle Targhe (ANPR) stanno diventando sempre più comuni. I sistemi ANPR utilizzano la computer vision per leggere automaticamente le targhe dei veicoli e identificarli e tracciarli. Di recente, i progressi nell'IA hanno reso possibile integrare rapidamente tali sistemi nella nostra vita quotidiana. Infatti, potresti aver visto sistemi ANPR ai caselli autostradali o durante i controlli di polizia per veicoli in 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. Un fattore di questa crescita sono i vantaggi che l'ANPR offre ad applicazioni come la gestione del traffico e la sicurezza.

Per ottenere i migliori risultati dalle applicazioni ANPR, è importante comprendere le tecniche di IA alla base di queste soluzioni. Ad esempio, il rilevamento di oggetti, un compito di computer vision, è essenziale per riconoscere e tracciare i veicoli con precisione, ed è qui che entrano in gioco modelli di computer vision come Ultralytics YOLO11. In questo articolo esamineremo come funziona l'ANPR e come YOLO11, in particolare, può 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 in modo rapido e accurato le targhe dei veicoli. Analizziamo come questi passaggi lavorano insieme per rendere il processo efficiente:

• Cattura delle immagini: per prima cosa, le telecamere vengono utilizzate per catturare immagini dei veicoli. Queste telecamere possono essere installate in posizioni fisse, come i caselli autostradali, o montate su veicoli della polizia per garantire mobilità.
• Rilevamento delle targhe: Successivamente, vengono utilizzati modelli di rilevamento di oggetti come YOLO11 per trovare la targa nell'immagine.
• Riconoscimento Ottico dei Caratteri (OCR): Dopodiché, l'OCR viene utilizzato per leggere i caratteri sulla targa (nell'immagine), convertendoli in testo leggibile da una macchina.
• Consultazione del database: I dati testuali vengono quindi confrontati con un database per confermare le informazioni della targa.

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

I sistemi ANPR possono spesso affrontare sfide come scarsa illuminazione, diversi design delle targhe e condizioni ambientali difficili. YOLO11 può aiutare ad affrontare questi problemi potenziando la precisione e la velocità di rilevamento, anche in condizioni difficili. Con modelli come YOLO11, l'ANPR può funzionare in modo più affidabile, rendendo più semplice identificare le targhe in tempo reale, che sia giorno o notte, o in caso di maltempo. Nella prossima sezione daremo uno sguardo più da vicino a come puoi usare YOLO11 per ottenere questi miglioramenti.

Come YOLO11 può migliorare un sistema ANPR#

Ultralytics YOLO11 è stato presentato per la prima volta al celebre evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24). Come modello di rilevamento di oggetti che supporta applicazioni in tempo reale, YOLO11 è un'ottima opzione per migliorare innovazioni come i sistemi ANPR. YOLO11 è adatto anche per applicazioni di edge AI. Ciò consente alle soluzioni ANPR integrate con YOLO11 di funzionare in modo efficace anche quando la connessione di rete non è affidabile. Di conseguenza, i sistemi ANPR possono funzionare senza problemi in località remote o in aree con connettività limitata.

YOLO11 apporta anche miglioramenti in termini di efficienza rispetto ai suoi predecessori. Ad esempio, YOLO11m raggiunge una precisione media (mAP) superiore sul dataset COCO con il 22% in meno di parametri rispetto a YOLOv8m. Con YOLO11, i sistemi ANPR possono gestire meglio varie sfide come mutevoli condizioni di illuminazione, diversi design delle targhe e veicoli in movimento, portando a un riconoscimento delle targhe più affidabile ed efficace.

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

Se ti stai chiedendo come puoi usare YOLO11 nel tuo progetto ANPR, è molto semplice. Le varianti dei modelli YOLO11 che supportano il rilevamento di oggetti sono state pre-addestrate sul dataset COCO. Questi modelli possono rilevare 80 diversi tipi di oggetti, come auto, biciclette e animali. Sebbene le targhe non facciano parte delle etichette pre-addestrate, gli utenti possono facilmente addestrare personalizzatemente YOLO11 per rilevare le targhe utilizzando il pacchetto Python di Ultralytics o la piattaforma no-code Ultralytics HUB. Gli utenti hanno la flessibilità di creare o utilizzare un dataset di targhe dedicato per rendere il loro modello YOLO11 addestrato su misura perfetto per l'ANPR.

Applicazioni di un sistema ANPR integrato con YOLO11#

Successivamente, daremo un'occhiata alle varie applicazioni in cui l'ANPR e YOLO11 possono essere utilizzati insieme per migliorare l'efficienza e la precisione.

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

Nelle città frenetiche con auto che si muovono attraverso incroci e autostrade, gli agenti della polizia stradale devono gestire la congestione, monitorare le violazioni del codice della strada e garantire la sicurezza pubblica. L'ANPR, se integrato con YOLO11, può fare una grande differenza in questi sforzi. Riconoscendo istantaneamente le targhe dei veicoli, le autorità possono tenere d'occhio il flusso del traffico, far rispettare le leggi sulla circolazione e identificare rapidamente i veicoli coinvolti in violazioni. Ad esempio, i veicoli in eccesso di velocità possono essere facilmente fermati.

Fig 4. Rilevamento e identificazione di veicoli in eccesso di velocità con ANPR e YOLO11.

Nel complesso, l'ANPR con YOLO11 può automatizzare attività che altrimenti richiederebbero uno sforzo manuale. Può rilevare veicoli che passano con il rosso e gestire le operazioni ai caselli autostradali. Automatizzare queste attività non solo rende il sistema più efficiente, ma riduce anche il carico di lavoro per gli agenti del traffico, consentendo loro di concentrarsi su responsabilità più critiche.

Nell'applicazione della legge, YOLO11 e l'ANPR possono lavorare insieme per tracciare veicoli rubati e identificare quelli segnalati per attività sospette. Il rilevamento in tempo reale di YOLO11 garantisce che i veicoli vengano riconosciuti rapidamente e in modo affidabile, anche quando si muovono velocemente. Questa capacità aiuta a migliorare la sicurezza pubblica consentendo tempi di risposta più rapidi e un'azione di polizia più efficace.

Sistemi di gestione dei parcheggi all'avanguardia e ANPR#

Un'altra entusiasmante applicazione dell'ANPR con YOLO11 riguarda i sistemi di gestione dei parcheggi. Ad esempio, consente parcheggi in cui le auto possono entrare, parcheggiare e uscire senza che il conducente debba interagire con una biglietteria o un addetto. I sistemi di parcheggio ANPR che utilizzano YOLO11 possono facilitare processi fluidi di entrata, uscita e pagamento.

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

Quando un veicolo si avvicina al cancello d'ingresso, l'ANPR basato su YOLO11 riconosce istantaneamente la targa. Il sistema quindi confronta la targa con un database pre-registrato o crea una nuova voce. Il cancello si apre automaticamente, lasciando entrare il veicolo senza passaggi manuali. Il processo velocizzato crea un'esperienza più comoda per i conducenti.

Allo stesso modo, quando un veicolo esce, il sistema rileva nuovamente la targa utilizzando 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 macchine di pagamento fisiche e aiuta a ridurre la congestione alle uscite, specialmente durante i momenti di maggiore affluenza.

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

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

I sistemi ANPR integrati con YOLO11 rappresentano un'ottima opzione per la gestione degli accessi ad aree protette come complessi residenziali recintati, campus aziendali e strutture riservate. Utilizzando l'ANPR, queste località possono automatizzare la loro sicurezza, assicurandosi che solo i veicoli autorizzati possano entrare.

Fig 6. Utilizzo dell'ANPR per consentire l'accesso ai veicoli autorizzati nelle aree protette.

È simile al sistema di gestione dei parcheggi che abbiamo discusso in precedenza. 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, garantendo un accesso senza interruzioni per residenti, dipendenti o visitatori mantenendo alta la sicurezza. Il processo riduce la necessità di controlli manuali, consentendo al personale di sicurezza di concentrarsi su attività più importanti.

I sistemi ANPR sono una parte fondamentale del futuro delle smart city#

Ora che abbiamo esaminato alcune applicazioni dei sistemi ANPR integrati con YOLO11, pensiamo a queste applicazioni in modo più connesso.

Oltre ad essere applicazioni individuali, i loro vantaggi risplendono davvero quando vengono visti come un'unica soluzione coesa nell'infrastruttura urbana per le smart cities. Man mano che le città si evolvono per diventare più intelligenti, i sistemi ANPR svolgono un ruolo sempre più importante nell'infrastruttura urbana.

Ad esempio, considera una smart city in cui l'ANPR viene utilizzato per gestire il traffico, concedere accessi sicuri e snellire i parcheggi contemporaneamente. Un veicolo potrebbe essere rilevato mentre entra in città, tracciato ovunque, autorizzato ad accedere ad aree riservate e fatto parcheggiare senza alcun intervento manuale.

Integrando modelli di computer vision come YOLO11, l'ANPR può aiutare a gestire il traffico in modo più efficiente, migliorare la sicurezza e potenziare la sicurezza pubblica. Questi sistemi consentono il monitoraggio in tempo reale, processi automatizzati e un processo decisionale basato sui dati, essenziali per gestire le crescenti complessità delle città moderne.

Uno sguardo finale all'ANPR con YOLO11#

I sistemi ANPR stanno diventando essenziali per le moderne infrastrutture urbane e l'integrazione di modelli di computer vision come YOLO11 li rende ancora più vantaggiosi. YOLO11 migliora l'ANPR con una maggiore precisione, elaborazione in tempo reale e adattabilità, rendendolo ideale per le applicazioni di smart city. Dal miglioramento della gestione del traffico e delle forze dell'ordine all'automazione del parcheggio e dell'accesso sicuro, i sistemi ANPR basati su YOLO11 portano efficienza e affidabilità. Man mano che le città diventano più intelligenti, queste soluzioni svolgeranno probabilmente un ruolo cruciale nel trasformare la vita urbana e nel supportare il futuro delle infrastrutture intelligenti.

Per saperne di più sull'IA, visita il nostro repository GitHub e interagisci con la nostra community. Esplora le applicazioni dell'IA nella produzione e nell'agricoltura sulle nostre pagine delle soluzioni. 🚀