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

混雑した駐車場で空きスペースを探したり、料金所の長い列を待ったり、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になります。車両の手動確認には時間がかかり、遅延の原因となることも少なくありません。自動化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、画像や動画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ました。たとえば、Ultralytics YOLO11は、物体検出、分類、追跡などのビジョンAIタスクに対応する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うと、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は、ビジョンAIを活用したソリューションの開発を簡素化する、充実した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、手順を追った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ノートブックも用意されています。

この記事では、ANPR用のUltralytics Colabノートブックを使い、ナンバープレート検出にUltralytics YOLO11、テキスト認識にGPT-4o Miniを利用したANPRソリューションの構築方法を見ていきます。

ANPRについて#

特に車両が高速で移動している場合、車両を手動で追跡するには時間がかかり、ミスも起きやすくなります。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、間違い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ってナンバープレートを瞬時に検出・読み取り、この問題を解決することで、交通監視とセキュリティの効率を高めます。

ANPRシステムは、通過する車両の画像や動画を撮影し、リアルタイムの物体検出で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を使ってプレート番号を自動抽出するため、人間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、正確な結果を維持できます。

図1。Ultralytics YOLO11を使ったナンバープレート検出の例。

今日では、料金所、駐車場システム、法執行機関で、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は車両をすばやく特定できますが、精度に影響する課題も残っています。ANPRシステムの性能に影響する一般的な問題をいくつか紹介します。

• 暗所や悪天候： 夜間や悪天候時は、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で文字がぼやけ、読み取れなくなることがあります。
• ぼやけたプレートや隠れたプレート： 車両が高速で移動すると、特にカメラのシャッタースピードが遅い場合に、画像がぼやけることがあります。汚れ、傷、プレートの一部を覆うものも、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なカメラを使うと、より鮮明な結果を得られます。
• プレートデザインのばらつき： すべてのプレートが同じデザインとは限りません。装飾的なフォント、追加の文字、ロゴなどがシステムの認識を妨げることがあります。
• 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が重要です。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。適切な安全対策があれば、ANPRシステムは安全で信頼性の高いものになります。

Ultralytics YOLO11によるANPRシステムの改善#

Ultralytics YOLO11を使うと、ANPRシステムの速度と精度を高められます。精度を維持しながら画像をすばやく処理し、高いコンピューティング性能を必要としないため、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活用できます。

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形式、言語、環境に適応できます。Ultralytics PlatformのCar License Plateなどの公開データセットは、始める際に役立ちます。低照度、モーションブラー、難しい角度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すると、こうした厳しい条件でも高い性能を発揮します。

Ultralytics YOLO11は車両を即座に特定し、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。これにより、駐車場、料金所、監視システムにおける交通の流れがスムーズになり、業務効率も高まります。

Ultralytics YOLO11とGPT-4o Miniを使ったANPRシステムの構築#

続いて、Ultralytics YOLO11とGPT-4o Miniを使ったANPRシステムの構築方法を見ていきましょう。

このソリューション用のUltralytics Google Colabノートブックに掲載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行わなくても、誰でもANPRシステムを作成できます。

ステップ1: 環境の設定#

まず、ANPRシステムの実行に必要なソフトウェアパッケージやライブラリである依存関係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、システムが効率よく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学習済みモデル、学習ユーティリティ、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。

テキスト認識用にGPT-4o Miniも設定する必要があります。GPT-4o Miniは検出し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ためのAPIキーが必要です。このキーはOpenAI APIに登録すると取得できます。キーを取得したら、Colabノートブックに追加して、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します。

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でナンバープレートを検出できるようになり、GPT-4o Miniでプレートからテキストを認識・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、次はナンバープレートの検出用にカスタム学習されたUltralytics YOLO11モデルをダウンロードします。このモデルはすでにナンバープレート検出用に学習済みのため、一から学習させる必要はありません。ダウンロードするだけですぐに使えます。これにより時間を節約でき、作業も大幅に簡単になります。

システムのテスト用にサンプル動画ファイルもダウンロードします。必要であれば、ご自身の動画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動画ファイルは、ノートブック環境に保存されます。

図3。モデルと動画ファイルのダウンロード。

ステップ3：動画を読み込み、検出を開始する#

モデルの準備ができたら、動作を確認します。まず、処理する動画ファイルを読み込み、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、ナンバープレートを検出した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、モデルを読み込んで動画の各フレームからナンバープレートを検出します。

図4. 動画の読み込みとモデルのロード。

モデルを読み込むと、システムは動画の各フレームの分析を開始し、ナンバープレートを検出します。プレートが見つかると、バウンディングボックスで強調表示されるため、簡単に識別できます。このステップにより、関連する情報だけを取得し、不要な背景情報を除外できます。プレートの検出が完了すると、動画は次の段階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は、光学文字認識（OCR）とも呼ばれるテキスト認識を行います。システムはまず動画フレームからプレートを切り出し、余分な情報を取り除いて見やすくします。これにより細部に集中でき、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。

プレートを切り出すと、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動画に戻され、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：処理済み動画を保存する#

最後のステップでは、処理済み動画を保存し、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処理済みの各フレームが、最終出力動画に書き込まれます。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動画ファイルを閉じ、メモリとシステムリソースを解放します。また、出力動画を確定して保存し、再生やさらなる分析に利用できる状態にします。

図5. ANPRにYOLO11とGPT-4o Miniを使用。

ANPRシステムのデプロイ#

ANPRソリューションの構築とテストが終わったら、次は実環境へのデプロイです。多くのビジョン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接続のインターネットを必要とせず、小型デバイス上で効率よく動作するため、リソースが限られた場所に適しています。

たとえば、ゲート付きの住宅地では、エッジデバイスにUltralytics YOLO11をデプロイし、車両が進入する際に識別できます。これにより、大型サーバーは不要になります。すべての処理が現地でリアルタイムに実行されるため、スムーズな通行、渋滞の緩和、セキュリティの強化につながります。

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を使用し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、複数の入口を通過する車両を追跡し、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、駐車場の監視、セキュリティの強化、車両の流れの遠隔管理が容易になります。

ANPRの今後#

Ultralytics YOLO11を使えば、自動ナンバープレート認識（ANPR）システムを簡単に構築できます。ナンバープレートを高精度に検出し、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、識別を迅速化し、さまざまな用途で車両追跡の効率を高めます。

コミュニティに参加し、GitHubリポジトリでAI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や自動運転車におけるAIについて詳しくご覧ください。