Ultralytics YOLO11とGPT-4o MiniでANPRシステムを構築

混雑した駐車場で駐車スペースを探したり、料金所で長い列を待ったり、セキュリティチェックポイントで足止めされたりするのは、ストレスの原因になります。手作業による車両確認には時間がかかり、遅延を引き起こすことも少なくありません。自動化されたシステムがなければ、車両を効率的に追跡するのは困難です。

コンピュータービジョンにより、画像やビデオストリームからリアルタイムでナンバープレートを認識できるようになり、この状況は変わりました。たとえば、Ultralytics YOLO11は、物体検出、分類、トラッキングなどの高度なビジョンAIタスクを実行できる先進的なコンピュータービジョンモデルです。YOLO11の物体検出機能を使用すると、画像内の車両のナンバープレートを正確に検出できます。

Ultralyticsは、ビジョンAIを活用したソリューションの構築を簡単にする、包括的なGoogle Colabノートブックを提供しています。これらのノートブックには、必要な依存関係、モデル、手順ごとのガイドがあらかじめ設定されているため、アプリケーションを簡単に作成できます。特に、ANPR（自動ナンバープレート認識）専用のColabノートブックがあります。

この記事では、ANPR向けのUltralytics Colabノートブックを使用して、ナンバープレート検出にUltralytics YOLO11、テキスト認識にGPT-4o Miniを使ったANPRソリューションの構築方法を説明します。

ANPRについて#

車両を手作業で追跡するには時間がかかり、特に車両が高速で移動している場合はエラーも発生しやすくなります。ナンバープレートを1枚ずつ確認すると処理が遅くなり、ミスのリスクも高まります。自動ナンバープレート認識は、コンピュータービジョンを使用してナンバープレートを即座に検出・読み取り、この問題を解決します。これにより、交通監視とセキュリティの効率が向上します。

ANPRシステムは、通過する車両の画像やビデオを取得し、リアルタイムの物体検出を使ってナンバープレートを識別できます。検出後は、テキスト認識によってプレート番号が自動的に抽出されるため、人の介入は必要ありません。この処理により、車両が高速で移動している場合や、プレートの一部が隠れている場合でも、正確な結果を得られます。

図1。Ultralytics YOLO11を使用してナンバープレートを検出する例です。

現在、料金所、駐車場システム、法執行機関では、車両を効率的に追跡するためにANPRの導入が進んでいます。

ANPR技術に関する課題#

ANPRは車両を迅速に識別できますが、精度に影響を与える課題も残されています。ANPRシステムの性能に影響を及ぼす一般的な問題を以下に示します。

• 低照度と悪天候: 夜間や悪天候では、ナンバープレートが読み取りにくくなります。霧、雨、ヘッドライトのまぶしさによってテキストがぼやけ、判読できなくなることがあります。
• ぼやけたプレートや遮られたプレート: 高速で移動する車両は、特にカメラのシャッタースピードが遅い場合、ぼやけた画像になることがあります。汚れ、傷、プレートの一部が覆われていることも、認識の問題を引き起こします。適切な設定の高品質なカメラを使用すると、より鮮明な結果を得られます。
• プレートデザインの不統一: すべてのプレートが同じ外観とは限りません。装飾的なフォント、追加のテキスト、ロゴなどによって、システムが混乱することがあります。
• プライバシーリスクとデータセキュリティ: 車両データを安全に保存することは重要です。適切なセキュリティ対策によって、不正アクセスを防ぎ、情報を保護できます。適切な安全対策を講じれば、ANPRシステムは安全性と信頼性を両立できます。

Ultralytics YOLO11によるANPRシステムの改善#

Ultralytics YOLO11は、ANPRシステムをより高速かつ高精度にできます。精度を維持しながら画像を迅速に処理し、大きな計算能力も必要としないため、小型のセキュリティカメラから大規模な交通システムまで、幅広く利用できます。

カスタムトレーニングにより、Ultralytics YOLO11をさまざまなナンバープレートのスタイル、言語、環境に適応させられます。これらの条件の画像を含む専門的なデータセットでカスタムトレーニングすれば、低照度、モーションブラー、難しい角度といった厳しい条件でも高い性能を発揮します。

Ultralytics YOLO11は車両を即座に識別することで、待ち時間の短縮、エラーの防止、セキュリティの向上に役立ちます。その結果、駐車場、料金所、監視システムで交通の流れがスムーズになり、運用効率が向上します。

Ultralytics YOLO11とGPT-4o MiniでANPRシステムを構築する#

次に、Ultralytics YOLO11とGPT-4o Miniを使用したANPRシステムの構築方法を説明します。

このソリューション向けのUltralytics Google Colabノートブックで紹介されているコードを見ていきます。Google Colabノートブックは使いやすく、複雑なセットアップを必要とせず、誰でもANPRシステムを作成できます。

ステップ1: 環境のセットアップ#

まず、依存関係、つまりANPRシステムの実行に必要なソフトウェアパッケージとライブラリをインストールします。これらの依存関係は、物体検出、画像処理、テキスト認識などのタスクを支援し、システムが効率的に動作するようにします。

以下に示すように、Ultralytics Pythonパッケージをインストールします。このパッケージには、事前トレーニング済みモデル、トレーニングユーティリティ、推論ツールが含まれており、YOLO11でナンバープレートを検出・認識しやすくなります。

図2。Ultralytics Pythonパッケージのインストール。

テキスト認識のためにGPT-4o Miniもセットアップする必要があります。GPT-4o Miniは検出されたプレートからテキストを抽出するため、モデルにアクセスするにはAPIキーが必要です。このキーは、GPT-4o Mini APIに登録して取得できます。キーを取得したらColabノートブックに追加することで、システムがモデルに接続し、プレート番号を処理できるようになります。

セットアップを完了してインストールコードを実行すると、Ultralytics YOLO11はナンバープレートを検出できる状態になり、GPT-4o Miniはプレートからテキストを認識・抽出できるようになります。

ステップ2: カスタムトレーニング済みモデルをダウンロードする#

すべてのセットアップが完了したら、次のステップは、ナンバープレートを検出するようカスタムトレーニングされたUltralytics YOLO11モデルをダウンロードすることです。このモデルはすでにナンバープレートの検出用にトレーニングされているため、ゼロからトレーニングする必要はありません。ダウンロードするだけですぐに使用できます。これにより時間を節約でき、処理も簡単になります。

さらに、システムをテストするためのサンプルビデオファイルもダウンロードします。必要に応じて、ご自身のビデオファイルでこのソリューションを実行することもできます。ダウンロードしたモデルとビデオファイルは、ノートブック環境に保存されます。

図3。モデルとビデオファイルのダウンロード。

ステップ3: ビデオを読み込み、検出を開始する#

モデルの準備ができたら、実際に動作させます。まず、ビデオファイルを処理用に読み込み、正しく開けることを確認します。次に、元のサイズとフレームレートを維持しながら、検出されたナンバープレートを含む処理済み映像を保存するためのビデオライターを設定します。最後に、ビデオの各フレームからナンバープレートを検出するためにモデルを読み込みます。

図4。ビデオの読み込みとモデルのロード。

モデルを読み込むと、システムはビデオの各フレームを分析してナンバープレートの検出を開始します。プレートが見つかると、システムは検出ボックスで強調表示するため、簡単に識別できます。このステップにより、不要な背景情報を除外し、関連する詳細だけを取得できます。プレートの検出が完了すると、ビデオは次の段階に進められる状態になります。

ステップ4: ナンバープレートからテキストを抽出する#

ナンバープレートを検出した後は、テキスト認識を行います。まず、ビデオフレームからプレートを切り出し、不要な要素を取り除いて明瞭に表示します。これにより詳細に集中でき、低照度やモーションブラーなどの厳しい条件でも精度が向上します。

プレートを分離したら、GPT-4o Miniが画像を分析し、数字と文字を抽出して読み取り可能なテキストに変換します。認識されたテキストはビデオに戻して追加され、検出された各プレートにリアルタイムでラベルが付けられます。

これらのステップが完了すると、ANPRシステムは完全に機能し、ナンバープレートを簡単に認識できる状態になります。

ステップ5: 処理済みビデオを保存する#

最後のステップでは、処理済みビデオを保存し、一時ファイルを削除して、すべてがスムーズに動作するようにします。

検出されたプレートと認識されたテキストを含む各処理済みフレームが、最終出力ビデオに書き込まれます。すべてのフレームの処理が完了すると、システムは読み込み元のビデオファイルを閉じ、メモリとシステムリソースを解放します。また、出力ビデオを確定して保存するため、再生やさらなる分析に利用できる状態になります。

図5。 YOLO11とGPT-4o MiniをANPRに使用。

ANPRシステムをデプロイする#

ANPRソリューションの構築とテストが完了したら、次のステップは実環境にデプロイすることです。ほとんどのビジョンAIモデルは高性能コンピューティングに依存しますが、Ultralytics YOLO11はエッジAI向けに最適化されています。クラウド処理や常時インターネット接続を必要とせず、小型デバイス上で効率的に動作するため、リソースが限られた場所に適しています。

たとえば、ゲート付き住宅地では、エッジデバイスにUltralytics YOLO11をデプロイして入場する車両を識別できるため、大規模なサーバーは必要ありません。すべてが現地でリアルタイムに処理され、スムーズな入場、混雑の緩和、セキュリティの向上を実現します。

図6。 YOLO11によるナンバープレートの検出。

一方、インターネット接続が安定している地域では、クラウドベースのANPRによって複数のカメラを同時に処理できます。たとえばショッピングモールでは、異なる入口を通る車両を追跡し、プレート番号を中央システムに保存できます。これにより、駐車状況の監視、セキュリティの向上、車両の流れの遠隔管理が容易になります。

ANPRのこれから#

自動ナンバープレート認識（ANPR）システムは、Ultralytics YOLO11を使って簡単にセットアップできます。ナンバープレートを正確に検出し、さまざまな環境や要件に合わせてカスタムトレーニングできます。

ANPRシステムは、セキュリティを強化し、駐車場管理を効率化し、交通監視を改善します。ナンバープレート認識を自動化することで、エラーを減らし、識別を高速化し、さまざまな用途で車両追跡をより効率的にします。

コミュニティに参加し、GitHubリポジトリにアクセスして、AIの実際の活用例をご覧ください。ライセンスオプションを確認し、ソリューションページで製造業におけるビジョンAIと自動運転車におけるAIについて詳しくご覧ください。