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

混雑した駐車場での駐車スペース探しや、料金所の長い列での待機、セキュリティチェックポイントでの足止めはストレスが溜まるものです。手作業による車両チェックは時間がかかりすぎ、遅延の原因となります。自動化システムがないと、車両を効率的に追跡することは困難です。

Computer visionは、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認識を可能にすることで、この状況を一変させました。例えば、Ultralytics YOLO11は、オブジェクト検出、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高度なコンピュータビジョンモデルです。YOLO11のオブジェクト検出機能を使用することで、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プロセスを簡素化する包括的な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、不可欠な依存関係、モデル、およびステップバイステップのガイドが事前に設定されており、アプリケーションの作成が容易になります。特に、ANPR（自動ナンバープレート認識）専用のColabノートブックが用意されています。

本記事では、ANPR用の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を活用したANPRソリューションの構築方法を探ります。

ANPRの理解#

車の手動による追跡は、特に高速で移動している場合、時間がかかり、エラーが発生しやすくなります。ライセンスプレートを1枚ずつ確認していくと、プロセスが遅くなり、ミスのリスクが高まります。自動ナンバープレート認識は、コンピュータビジョンを使用してライセンスプレートを即座に検出し読み取ることでこの問題を解決し、交通監視とセキュリティをより効率的にします。

ANPRシステムは、通過する車両の画像やビデオをキャプチャし、リアルタイムの物体検出を使用してナンバープレートを識別できます。検出されると、テキスト認識を使用して人間が介入することなく自動的にプレート番号を抽出します。このプロセスにより、車両が高速で移動している場合やプレートが部分的に隠れている場合でも、正確な結果が得られます。

Fig 1. Ultralytics YOLO11 を使用してライセンスプレートを検出する例です。

今日、料金所、駐車システム、法執行機関は、車両を効率的に追跡するためにますますANPRに依存しています。

ANPR技術に関連する課題#

ANPRは車両を迅速に識別しますが、精度に影響を与える可能性のあるいくつかの課題が依然として存在します。ANPRシステムの動作に影響を与えうる一般的な問題をいくつか挙げます：

• 低照度と悪天候： 夜間や悪天候下ではナンバープレートの読み取りが難しくなります。霧、雨、ヘッドライトの眩しさはテキストをぼやけさせ、読み取り不能にすることがあります。
• ぼやけた、または遮られたプレート： 特にカメラのシャッタースピードが遅い場合、高速で移動する車はぼやけた画像を残すことがあります。汚れ、傷、あるいはプレートの一部が隠れていることも認識上の問題を引き起こします。適切な設定を備えた高品質のカメラを使用することが、より明確な結果を得るのに役立ちます。
• 一貫性のないプレートデザイン： すべてのプレートが同じ外観ではありません。特殊なフォント、追加のテキスト、ロゴなどがシステムを混乱させることがあります。
• 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管することは重要です。適切なセキュリティ対策を講じることで、不正アクセスを防ぎ、情報を保護できます。適切な保護手段があれば、ANPRシステムは安全で信頼性の高いものとなります。

Ultralytics YOLO11 が ANPR システムを改善する方法#

Ultralytics YOLO11は、ANPRシステムをより高速で正確にすることができます。精度を維持しながら画像を素早く処理し、重い計算能力を必要としないため、小さな防犯カメラから大規模な交通システムまで、あらゆる場所でうまく機能します。

カスタムトレーニングにより、Ultralytics YOLO11は、さまざまなナンバープレートのスタイル、言語、環境に適応できます。また、このような条件の画像を含む特化されたデータセットでカスタムトレーニングを行うことで、暗所、モーションブラー、困難な角度などの過酷な条件下でも優れたパフォーマンスを発揮します。

Ultralytics YOLO11は車両を瞬時に識別することで、待ち時間の短縮、ミスの防止、セキュリティの向上を支援します。これにより、駐車場、料金所、監視システムにおいて、交通の流れが円滑になり、運用の効率が向上します。

Ultralytics YOLO11 と GPT-4o Mini を使用した ANPR システムの構築#

次に、Ultralytics YOLO11とGPT-4o Miniを使用してANPRシステムを構築する方法について説明します。

このソリューション向けにUltralyticsのGoogle Colabノートブックで紹介されているコードについて説明します。Google Colabノートブックは使いやすく、複雑な設定を必要とせずに誰でも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システムを実行するために必要な重要なソフトウェアパッケージやライブラリをインストールする必要があります。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 packageをインストールします。このパッケージは、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、推論ツールを提供し、YOLO11を使用したナンバープレートの検出と認識を容易にします。

Fig 2. Ultralytics Pythonパッケージのインストール。

また、テキスト認識のためにGPT-4o Miniを設定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役割を担うため、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に登録することで取得できます。キーを取得したら、それを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、インストールコードを実行すると、Ultralytics YOLO11でナンバープレートの検出準備が整い、GPT-4o Miniでそこからテキストを認識して抽出する準備が整います。

ステップ 2: カスタム学習済みモデルのダウンロード#

すべてのセットアップが完了したので、次のステップは、ナンバープレートを検出するように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を検出するよう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、時間を節約し、プロセスを大幅に簡素化できます。

また、システムをテストするためにサンプルビデオファイルをダウンロードします。必要に応じて、このソリューションを自身のビデオファイルで実行することも可能です。ダウンロード後、モデルファイ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。

Fig 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、ビデオファイルが正しく開かれるよう、処理のためにロードされます。次に、検出されたライセンスプレートを含む処理後の映像を保存するためにビデオライターが設定され、元のサイズとフレームレートが維持されます。最後に、ビデオの各フレームでライセンスプレートを検出するためにモデルがロードされます。

Fig 4. ビデオの読み込みとモデルのロード。

モデルがロードされると、システムはビデオの各フレームを分析してライセンスプレートの検出を開始します。プレートが見つかると、システムはそれを検出ボックスでハイライトし、容易に識別できるようにします。このステップにより、不要な背景情報がフィルタリングされ、関連する詳細のみがキャプチャされます。プレートの検出が成功すると、ビデオは次のステージに進む準備が整います。

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、次のステップはテキスト認識です。システムは最初にビデオフレームからプレートを切り抜き、不要な要素を取り除いて明確なビューを確保します。これにより詳細に集中でき、低照度やモーションブラーといった厳しい条件下でも精度が向上します。

プレートが切り出されると、GPT-4o Miniが画像を分析し、数字と文字を抽出して、読みやすいテキストに変換します。認識されたテキストがビデオに追加され、検出された各プレートにリアルタイムでラベル付けされます。

これらのステップが完了すれば、ANPRシステムは完全に機能し、ライセンスプレートを簡単に認識できるようになります。

ステップ 5: 処理済みビデオの保存#

最後のステップでは、処理されたビデオを保存し、一時ファイルをクリーンアップして、すべてがスムーズに実行されるようにします。

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、最終的な出力ビデオに書き込まれます。すべてのフレームが処理されると、システムは読み込んでいた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、出力ビデオを最終化して保存し、再生やさらなる分析ができるようにします。

Fig 5. ANPRにYOLO11とGPT-4o Miniを使用する。

ANPRシステムのデプロイ#

ANPRソリューションを構築してテストした後の次のステップは、現実世界の環境にそれを展開することです。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ていますが、Ultralytics YOLO11はEdge AI向けに最適化されています。クラウド処理や常時接続のインターネット接続を必要とせずに小型デバイスで効率的に実行できるため、リソースが限られた場所にとって優れた選択肢となります。

たとえば、ゲート付きコミュニティでは、エッジデバイスにUltralytics YOLO11をデプロイして、車両の入場時に車両を識別することができ、大型サーバーの必要性をなくすことができます。すべてがオンサイトでリアルタイムに処理されるため、スムーズなアクセス、混雑の軽減、セキュリティの向上が保証されます。

Fig 6. YOLO11でライセンスプレートを検出する。

一方、安定したインターネット接続があるエリアでは、クラウドベースのANPRが複数のカメラを同時に処理できます。例えば、ショッピングモールでは、異なる入り口全体の車両を追跡し、プレート番号を一元管理システムに保存できるため、駐車場の監視、セキュリティの向上、車両フローのリモート管理が容易になります。

ANPRの今後の展望#

自動ナンバープレート認識（ANPR）システムのセットアップは、Ultralytics YOLO11を使えば簡単です。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適応するようにカスタムトレーニングが可能です。

ANPRシステムは、セキュリティを強化し、駐車管理を合理化し、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、識別を迅速化し、多様なアプリケーション全体で車両追跡をより効率的にします。

AIが実際に動作している様子をご覧いただくには、コミュニティに参加し、GitHubリポジトリにアクセスしてください。ソリューションページでライセンスオプションを確認し、製造業におけるビジョンAIや自動運転車におけるAIの詳細をご覧ください。