Utilizzare Ultralytics YOLO11 per il riconoscimento automatico delle targhe

Con l'aumento dell'adozione dell'IA, le innovazioni che dipendono dal Riconoscimento automatico delle targhe (ANPR) stanno diventando sempre più comuni. I sistemi ANPR utilizzano la visione artificiale per leggere automaticamente le targhe dei veicoli e identificarle e tracciarle. Recentemente, i progressi nell'IA hanno reso possibile integrare rapidamente sistemi di questo tipo nella nostra vita quotidiana. Infatti, potresti aver visto sistemi ANPR ai caselli autostradali o durante i controlli della polizia per veicoli che superano i limiti di velocità.

Il riconoscimento delle targhe sta diventando sempre più importante e si prevede che il mercato globale dei sistemi ANPR raggiungerà 4,8 miliardi di dollari entro il 2027. Un fattore alla base 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 degli oggetti, un task di visione artificiale, è essenziale per riconoscere e tracciare i veicoli con precisione, ed è qui che entrano in gioco i modelli di visione artificiale come Ultralytics YOLO11. In questo articolo vedremo 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 comprende alcuni passaggi importanti per identificare rapidamente e con precisione le targhe dei veicoli. Vediamo come questi passaggi si combinano per rendere efficiente il processo:

• Acquisizione delle immagini: Innanzitutto, le telecamere vengono utilizzate per acquisire immagini dei veicoli. Queste telecamere possono essere installate in postazioni fisse, come i caselli autostradali, oppure montate sui veicoli della polizia per garantire la mobilità.
• Rilevamento della targa: quindi, i modelli di rilevamento degli oggetti come YOLO11 vengono utilizzati per trovare la targa nell'immagine.
• Riconoscimento ottico dei caratteri (OCR): successivamente, l'OCR viene utilizzato per leggere i caratteri sulla targa (nell'immagine), convertendoli in testo leggibile dalla macchina.
• Ricerca nel 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 devono spesso affrontare difficoltà come scarsa illuminazione, diversi design delle targhe e condizioni ambientali difficili. YOLO11 può contribuire ad affrontare questi problemi aumentando la precisione e la velocità di rilevamento, anche quando le condizioni sono difficili. Con modelli come YOLO11, l'ANPR può funzionare in modo più affidabile, facilitando l'identificazione delle targhe in tempo reale, di giorno o di notte e anche in condizioni meteorologiche avverse. Nella sezione successiva esamineremo più da vicino come puoi utilizzare 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). In quanto modello di rilevamento degli oggetti che supporta applicazioni in tempo reale, YOLO11 è un'ottima opzione 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 operare senza problemi in località remote o aree con connettività limitata.

YOLO11 apporta inoltre miglioramenti in termini di efficienza rispetto ai suoi predecessori. Ad esempio, YOLO11m raggiunge una precisione 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 diverse difficoltà, come condizioni di illuminazione variabili, design delle targhe differenti e veicoli in movimento, ottenendo un riconoscimento delle targhe più affidabile ed efficace.

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

Se ti stai chiedendo come puoi utilizzare YOLO11 nel tuo progetto ANPR, è molto semplice. Le varianti dei modelli YOLO11 che supportano il rilevamento degli oggetti sono state preaddestrate sul dataset COCO. Questi modelli possono rilevare 80 diversi tipi di oggetti, come automobili, biciclette e animali. Sebbene le targhe non facciano parte delle etichette di preaddestramento, puoi addestrare facilmente YOLO11 per rilevare le targhe utilizzando il pacchetto Python di Ultralytics o la piattaforma Ultralytics HUB senza codice. Puoi creare o utilizzare un dataset dedicato alle targhe per rendere il tuo modello YOLO11 addestrato su misura perfetto per l'ANPR.

Applicazioni di un sistema ANPR integrato con YOLO11#

Vediamo ora le diverse applicazioni in cui ANPR e YOLO11 possono essere utilizzati insieme per migliorare efficienza e precisione.

Rilevamento delle targhe in tempo reale per la gestione del traffico e le forze dell'ordine#

Nelle città trafficate, dove le automobili attraversano incroci e autostrade, gli agenti del traffico 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 queste attività. Riconoscendo istantaneamente le targhe dei veicoli, le autorità possono monitorare il flusso del traffico, far rispettare il codice della strada e identificare rapidamente i veicoli coinvolti nelle violazioni. Ad esempio, i veicoli che superano i limiti di velocità possono essere facilmente fermati.

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 un intervento manuale. Può rilevare i veicoli che passano con il semaforo rosso e gestire le operazioni ai 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 collaborare 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 ad alta velocità. Questa capacità contribuisce a migliorare la sicurezza pubblica, consentendo tempi di risposta più rapidi e un'applicazione della legge più efficace.

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 gestire parcheggi in cui le automobili possono entrare, parcheggiare e uscire senza che il conducente debba interagire con una colonnina per i biglietti o con un addetto. I sistemi di parcheggio ANPR che utilizzano YOLO11 possono favorire procedure fluide di ingresso, uscita e pagamento.

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

Quando un veicolo si avvicina al varco d'ingresso, l'ANPR basato su YOLO11 riconosce immediatamente la targa. Il sistema confronta quindi la targa con un database preregistrato o crea una nuova registrazione. Il varco si apre automaticamente, consentendo al veicolo di entrare senza alcun intervento manuale. La procedura più rapida offre ai conducenti un'esperienza più comoda.

Analogamente, 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 associato a un metodo di pagamento. L'automazione elimina la necessità di casse automatiche fisiche e contribuisce a ridurre la congestione alle uscite, soprattutto nei periodi 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 più comodo il parcheggio, aiuta gli operatori a gestire meglio le 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 sono un'ottima opzione per la gestione degli accessi ad aree protette come complessi residenziali con accesso controllato, campus aziendali e strutture ad accesso limitato. Utilizzando l'ANPR, queste aree possono automatizzare la propria sicurezza, assicurandosi che possano entrare solo i veicoli autorizzati.

Fig. 6 Utilizzo dell'ANPR per consentire l'accesso dei veicoli autorizzati alle aree protette.

È simile al sistema di gestione dei parcheggi che abbiamo descritto in precedenza. La differenza principale è che il sistema controlla la targa confrontandola con un elenco di veicoli autorizzati. Se il veicolo è approvato, il varco si apre automaticamente, garantendo un accesso fluido a residenti, dipendenti o visitatori e mantenendo al contempo elevati livelli di 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 componente fondamentale del futuro delle smart city#

Ora che abbiamo esaminato alcune applicazioni dei sistemi ANPR integrati con YOLO11, consideriamo queste applicazioni in modo più interconnesso.

Oltre a essere applicazioni singole, i loro vantaggi emergono davvero quando vengono viste come un'unica soluzione coerente nell'infrastruttura urbana delle smart city. 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 contemporaneamente per gestire il traffico, concedere accessi sicuri e semplificare il parcheggio. Un veicolo potrebbe essere rilevato quando entra in città, tracciato durante il percorso, autorizzato ad accedere alle aree a ingresso limitato e autorizzato 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, processi automatizzati e decisioni basate sui dati, elementi essenziali per gestire la crescente 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 visione artificiale come YOLO11 li rende ancora più vantaggiosi. YOLO11 migliora 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 delle attività delle forze dell'ordine 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 fondamentale nel trasformare la vita urbana e sostenere il futuro delle infrastrutture intelligenti.

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