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。

コンピュータビジョンは、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、この状況を変えました。例えば、Ultralytics YOLO11は、物体検出、分類、追跡といった高度なビジョン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の物体検出能力を利用すれば、画像内の車両ナンバープレートを正確に検出できます。

Ultralytics offers comprehensive Google Colab notebooks that simplify the process of building vision AI-powered solutions. These notebooks come pre-configured with essential dependencies, models, and step-by-step guides, making creating applications easier. In particular, there is a dedicated Colab notebook for ANPR (Automatic Number Plate Recognition).

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。

Link to this sectionANPRの理解#

車両を手作業で追跡するのは時間がかかり、特に高速で移動している場合は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枚ずつ確認するとプロセスが遅くなり、ミスをする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ナンバープレートを即座に検出・読み取り、交通監視やセキュリティをより効率化することで、この問題を解決します。

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。YOLO11を使用してライセンスプレートを検出する例。

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。

Link to this sectionANPR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。

Link to this sectionYOLO11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、YOLO11はさまざまなライセンスプレートのスタイル、言語、環境に適応可能です。また、こうした条件の画像を含む専用のデータセットでカスタムトレーニングを行うことで、低照度、モーションブラー、困難な角度といった厳しい条件下でも優れたパフォーマンスを発揮します。

車両を即座に識別することで、YOLO11は待機時間の短縮、エラーの防止、セキュリティの向上に貢献します。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、運用の効率が高まります。

Link to this sectionYOLO11とGPT-4o MiniでANPRシステムを構築する#

次に、YOLO11とGPT-4o Miniを使用してANPRシステムを構築する方法を説明します。

このソリューションのための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、誰でも複雑なセットアップなしでANPRシステムを作成できます。

Link to this section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パッケージをインストールします。このパッケージには、学習済みモデル、トレーニングユーティリティ、推論ツールが用意されており、YOLO11でのナンバープレートの検出と認識が容易になります。

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、YOLO11はライセンスプレートを検出する準備が整い、GPT-4o Miniはそれらからテキストを認識して抽出するように設定されます。

Link to this sectionステップ 2: カスタム学習済みモデルのダウンロード#

すべてがセットアップされたので、次のステップは、ライセンスプレートを検出するためにカスタムトレーニングされた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。これにより時間が節約され、プロセスが非常に簡単になります。

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。

Link to this section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。

Link to this section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され、検出された各プレートをリアルタイムでラベル付けします。

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。

Link to this section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。

Link to this sectionANPRシステムのデプロイ#

ANPRソリューションを構築およびテストした後、次のステップは実際の環境にデプロイすることです。ほとんどのビジョンAIモデルは高性能なコンピューティングに依存していますが、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最適です。

例えば、ゲート付きコミュニティでは、YOLO11をエッジデバイスにデプロイして車両の進入時に識別することで、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、アクセスの円滑化、渋滞の軽減、セキュリティの強化が実現します。

Fig 6. YOLO11でライセンスプレートを検出。

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。

Link to this sectionANPR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。

コミュニティに参加し、GitHubリポジトリを訪れて、実際に動作するAIをご覧ください。ライセンスオプションを検討し、ソリューションページで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。