21 ottobre 2024
Scopri come Ultralytics YOLO11 può essere utilizzato nei sistemi di riconoscimento automatico delle targhe (ANPR) per il rilevamento in tempo reale e per aiutare nella gestione del traffico e del parcheggio.
.webp)
Con l'aumento dell'adozione dell'IA, le innovazioni che dipendono dal riconoscimento automatico delle targhe (ANPR) stanno diventando più comuni. I sistemi ANPR utilizzano la computer vision per leggere automaticamente le targhe dei veicoli e identificarle e tracciarle. Recentemente, 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 della 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 intelligenza artificiale alla base di queste soluzioni. Ad esempio, il rilevamento di oggetti, un'attività di computer vision, è essenziale per riconoscere e tracciare i veicoli in modo accurato, ed è qui che entrano in gioco i modelli di computer vision come Ultralytics YOLO11. In questo articolo, esamineremo come funziona ANPR e come YOLO11, in particolare, può migliorare le soluzioni ANPR.
.png)
Il riconoscimento automatico delle targhe prevede alcuni passaggi importanti per identificare rapidamente e accuratamente le targhe dei veicoli. Analizziamo come questi passaggi lavorano insieme per rendere il processo efficiente:
.png)
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 aumentando l'accuratezza e la velocità di rilevamento, anche in condizioni difficili. Con modelli come YOLO11, l'ANPR può funzionare in modo più affidabile, rendendo più facile l'identificazione delle targhe in tempo reale, sia di giorno che di notte, o in caso di maltempo. Nella prossima sezione, esamineremo più da vicino come è possibile utilizzare YOLO11 per ottenere questi miglioramenti.
Ultralytics YOLO11 è stato presentato per la prima volta all'evento ibrido annuale di Ultralytics, YOLO Vision 2024 (YV24). In quanto modello di object detection 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 operare efficacemente, anche quando una connessione di rete non è affidabile. Di conseguenza, i sistemi ANPR possono funzionare senza problemi in località remote o aree con connettività limitata.
YOLO11 offre anche miglioramenti in termini di efficienza rispetto ai suoi predecessori. Ad esempio, YOLO11m raggiunge una precisione media media (mAP) più elevata sul dataset COCO con il 22% di parametri in meno rispetto a YOLOv8m. Con YOLO11, i sistemi ANPR possono gestire meglio varie sfide come le mutevoli condizioni di illuminazione, i diversi design delle targhe e i veicoli in movimento, ottenendo un riconoscimento delle targhe più affidabile ed efficace.
Se ti stai chiedendo come puoi usare YOLO11 nel tuo progetto ANPR, è molto semplice. Le variazioni dei modelli YOLO11 che supportano il rilevamento 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 YOLO11 in modo personalizzato per rilevare le targhe utilizzando il pacchetto Python Ultralytics o la piattaforma Ultralytics HUB no-code. Gli utenti hanno la flessibilità di creare o utilizzare un dataset dedicato alle targhe per rendere il loro modello YOLO11 addestrato in modo personalizzato perfetto per ANPR.
Successivamente, esamineremo le varie applicazioni in cui ANPR e YOLO11 possono essere utilizzati insieme per migliorare l'efficienza e l'accuratezza.
Nelle città trafficate, con auto che si muovono tra incroci e autostrade, gli agenti del traffico devono gestire la congestione, monitorare le infrazioni 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 sotto controllo il flusso del traffico, far rispettare il codice della strada e identificare rapidamente i veicoli coinvolti in infrazioni. Ad esempio, i veicoli in eccesso di velocità possono essere facilmente segnalati.
Nel complesso, l'ANPR con YOLO11 può automatizzare attività che altrimenti richiederebbero uno sforzo manuale. Può rilevare i veicoli che passano con il semaforo rosso e gestire le operazioni dei caselli autostradali. L'automazione di queste attività non solo rende il sistema più efficiente, ma riduce anche il carico di lavoro degli agenti del traffico, consentendo loro di concentrarsi su responsabilità più importanti.
Nelle forze dell'ordine, YOLO11 e ANPR possono lavorare insieme per tracciare i 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'applicazione della legge più efficace.
Un'altra interessante applicazione dell'ANPR con YOLO11 è nei sistemi di gestione dei parcheggi. Ad esempio, consente di realizzare parcheggi in cui le auto possono entrare, parcheggiare e uscire senza che il conducente debba interagire con un parchimetro o un addetto. I sistemi di parcheggio ANPR che utilizzano YOLO11 possono contribuire a rendere più fluidi i processi di entrata, uscita e pagamento.
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, consentendo l'ingresso del veicolo senza passaggi manuali. Il processo accelerato 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 parcheggio 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, soprattutto durante le ore di punta.
La capacità di YOLO11 di rilevare le targhe in modo accurato 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 i gestori a gestire meglio le loro strutture riducendo il lavoro manuale e migliorando il flusso del traffico.
I sistemi ANPR integrati con YOLO11 sono un'ottima opzione per la gestione degli accessi ad aree sicure come comunità recintate, campus aziendali e strutture ad accesso limitato. Utilizzando l'ANPR, queste località possono automatizzare la propria sicurezza, assicurandosi che solo i veicoli autorizzati possano entrare.
È simile al sistema di gestione del parcheggio 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, fornendo un accesso senza interruzioni a residenti, dipendenti o visitatori, mantenendo al contempo elevati standard di sicurezza. Il processo riduce la necessità di controlli manuali, consentendo al personale di sicurezza di concentrarsi su compiti più importanti.
Ora che abbiamo esaminato alcune applicazioni dei sistemi ANPR integrati con YOLO11, pensiamo a queste applicazioni in modo più connesso.
Oltre a essere applicazioni individuali, i loro vantaggi risaltano davvero quando sono visti come un'unica soluzione coesa nell'infrastruttura urbana per le smart city. Mentre le città si evolvono per diventare più intelligenti, i sistemi ANPR stanno svolgendo un ruolo sempre più importante nell'infrastruttura urbana.
Ad esempio, si consideri una smart city in cui l'ANPR viene utilizzato per gestire il traffico, concedere accessi sicuri e semplificare il parcheggio contemporaneamente. Un veicolo potrebbe essere rilevato quando entra in città, tracciato ovunque, autorizzato ad accedere ad aree riservate e autorizzato a 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 aumentare la sicurezza pubblica. Questi sistemi consentono il monitoraggio in tempo reale, i processi automatizzati e il processo decisionale basato sui dati, essenziali per la gestione delle crescenti complessità delle città moderne.
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 dell'applicazione della legge all'automazione del parcheggio e all'accesso sicuro, i sistemi ANPR basati su YOLO11 offrono efficienza e affidabilità. Man mano che le città diventano più intelligenti, queste soluzioni probabilmente svolgeranno un ruolo cruciale nella trasformazione della vita urbana e nel supporto del 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 nelle nostre pagine dedicate alle soluzioni. 🚀
.webp)