自動ナンバープレート認識のためのUltralytics YOLO11の使用

As AI adoption increases, innovations that depend on Automatic Number Plate Recognition (ANPR) are becoming more common. ANPR systems use computer vision to automatically read vehicle license plates and identify and track them. Recently, advancements in AI have made it possible to rapidly integrate such systems into our daily lives. In fact, you may have seen ANPR systems at toll booths or during police checks for speeding vehicles.

ナンバープレート認識はますます重要性を増しており、世界のANPRシステム市場は2027年までに48億ドルに達すると予測されています。この成長の要因には、ANPRが交通管理やセキュリティなどのアプリケーションにもたらす利点があります。

To get the best results from ANPR applications, it's important to understand the AI techniques behind these solutions. For example, object detection, a computer vision task, is essential for recognizing and tracking vehicles accurately, and this is where computer vision models like Ultralytics YOLO11 come in. In this article, we will look at how ANPR works and how YOLO11, in particular, can improve ANPR solutions.

図1. ANPRのためのUltralytics YOLOモデルの利用。

Link to this section自動ナンバープレート認識の仕組み#

自動ナンバープレート認識には、車両のナンバープレートを迅速かつ正確に識別するためのいくつかの重要なステップがあります。このプロセスを効率化するために、これらのステップがどのように連携しているかを解説します。

• 画像キャプチャ： まず、カメラを使用して車両の画像をキャプチャします。これらのカメラは、料金所のような固定場所に設置することも、モバイル運用として警察車両に搭載することも可能です。
• Number Plate Detection: Then, object detection models like YOLO11 are used to find the license plate in the image.
• 光学文字認識（OCR）： 続いて、OCRを使用して、プレート上の文字（画像内）を読み取り、機械可読なテキストに変換します。
• データベース照合： 最後に、テキストデータをデータベースと照合し、プレート情報を確認します。

図2. ナンバープレート検出にUltralytics YOLOモデルを使用する例。

ANPRシステムは、照明条件の悪さや多様なプレートデザイン、厳しい環境条件といった課題に直面することがあります。YOLO11は、悪条件下でも検出の精度と速度を向上させることで、こうした懸念に対処します。YOLO11のようなモデルにより、ANPRの信頼性が高まり、昼夜や悪天候を問わずリアルタイムでのナンバープレート識別が容易になります。次のセクションでは、YOLO11を使用してこれらの改善を実現する方法を詳しく見ていきます。

Link to this sectionYOLO11がANPRシステムを強化する方法#

Ultralytics YOLO11は、Ultralyticsの年次ハイブリッドイベントであるYOLO Vision 2024 (YV24)で初めて発表されました。リアルタイムアプリケーションをサポートする物体検出モデルとして、YOLO11はANPRシステムのようなイノベーションを強化するための優れた選択肢です。YOLO11はエッジAIアプリケーションにも適しており、ネットワーク接続が不安定な場合でもANPRソリューションを効果的に動作させることができます。その結果、ANPRシステムは遠隔地や接続が制限された場所でもシームレスに機能します。

YOLO11 also brings efficiency improvements compared to its predecessors. For instance, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset with 22% fewer parameters compared to YOLOv8m. With YOLO11, ANPR systems can handle various challenges like changing lighting conditions, diverse plate designs, and moving vehicles better, resulting in more reliable and effective license plate recognition.

図3. Ultralytics YOLO11と旧バージョンの比較。

If you are wondering how you can use YOLO11 in your ANPR project, it's very straightforward. The variations of YOLO11 models that support object detection have been pre-trained on the COCO dataset. These models can detect 80 different types of objects, such as cars, bicycles, and animals. While license plates are not part of the pre-trained labels, users can easily custom-train YOLO11 to detect license plates using the Ultralytics Python package or the no-code Ultralytics HUB platform. Users have the flexibility to create or use a dedicated license plate dataset to make their custom-trained YOLO11 model perfect for ANPR.

Link to this sectionYOLO11と統合されたANPRシステムのアプリケーション#

次に、効率と精度を向上させるためにANPRとYOLO11を組み合わせて使用できる様々なアプリケーションについて見ていきます。

Link to this section交通および法執行機関向けのリアルタイムナンバープレート検出#

交差点や高速道路を車が行き交う賑やかな都市では、交通担当官は渋滞の管理、交通違反の監視、そして公共の安全の確保を行わなければなりません。YOLO11と統合されたANPRは、これらの取り組みにおいて大きな違いをもたらします。車両のプレートを即座に認識することで、当局は交通の流れを把握し、交通法規を執行し、違反に関与した車両を迅速に特定できます。例えば、スピード違反車両を容易にフラグ立てして追跡することが可能です。

図4. ANPRとYOLO11を使用したスピード違反車両の検出と識別。

全体として、YOLO11を用いたANPRは、手作業が必要だったタスクを自動化できます。信号無視車両の検出や料金所業務の管理が可能です。これらのタスクの自動化は、システムの効率を高めるだけでなく、交通担当官の負荷を軽減し、より重要な責務に集中できるようにします。

法執行機関では、YOLO11とANPRが連携して盗難車両を追跡し、不審な行動でフラグ立てされた車両を特定します。YOLO11のリアルタイム検出により、高速で移動している車両でも迅速かつ確実に認識できます。この機能は、対応の迅速化と効果的な法執行を可能にすることで、公共の安全向上に寄与します。

Link to this section最先端の駐車管理システムとANPR#

YOLO11とANPRのもう一つの刺激的なアプリケーションは、駐車管理システムです。例えば、ドライバーがチケット発行機や係員とやり取りすることなく、駐車場の入退場ができるようになります。YOLO11を活用したANPR駐車場システムは、スムーズな入退場と支払い処理を支援します。

図5. Ultralytics YOLOモデルを使用した駐車場管理。

車両が入り口のゲートに近づくと、YOLO11を搭載したANPRが即座にナンバープレートを認識します。システムは、プレートを事前に登録されたデータベースと照合するか、新しいエントリを作成します。ゲートが自動的に開き、手作業なしで車両が入場できます。このスピードアップしたプロセスにより、ドライバーにとってより利便性の高い体験が生まれます。

同様に、車両が出場する際も、システムはYOLO11を使用してナンバープレートを再度検出します。駐車時間を計算し、車両が支払い方法を登録していれば自動的に支払いを処理できます。この自動化により、物理的な支払い機の必要性がなくなり、特に混雑時には出口の渋滞を緩和できます。

ナンバープレートを正確かつリアルタイムに検出するYOLO11の能力は、これらの駐車管理システムをスムーズに機能させる鍵となります。駐車の利便性を向上させるだけでなく、手作業を減らし交通の流れを改善することで、運営者は施設をより効率的に管理できます。

Link to this sectionセキュリティシステムにおけるアクセス制御のためのANPR活用#

YOLO11と統合されたANPRシステムは、ゲート付きコミュニティ、企業キャンパス、制限区域といったセキュリティエリアのアクセス管理に最適な選択肢です。ANPRを利用することで、これらの場所はセキュリティを自動化し、許可された車両のみが入場できるようにします。

図6. ANPRを使用して許可された車両のみを安全なエリアに入場させる。

これは、前述した駐車管理システムと同様の仕組みです。主な違いは、システムが認可済み車両のリストとプレートを照合する点です。車両が承認されるとゲートが自動的に開き、居住者、従業員、訪問者にシームレスなアクセスを提供しつつ、セキュリティを維持します。このプロセスにより手動チェックの必要性が減り、セキュリティスタッフはより重要なタスクに専念できるようになります。

Link to this sectionANPRシステムはスマートシティの未来において重要な要素です#

YOLO11と統合されたANPRシステムのいくつかのアプリケーションを見てきましたので、次はこれらのアプリケーションをより接続された視点で考えてみましょう。

個別のアプリケーションであるだけでなく、それらの利点は、スマートシティ向けの都市インフラにおける一つのまとまったソリューションとして見るときに真価を発揮します。都市がスマート化するにつれ、ANPRシステムは都市インフラにおいてますます重要な役割を担っています。

例えば、ANPRを使用して交通管理、セキュアアクセス、駐車場の最適化を同時に行うスマートシティを考えてみてください。車両が都市に入ると検出され、都市全域で追跡され、制限区域へのアクセスが許可され、手作業なしで駐車が可能です。

YOLO11のようなコンピュータビジョンモデルを統合することで、ANPRは交通管理の効率化、セキュリティ強化、公共の安全改善に役立ちます。これらのシステムは、リアルタイムの監視、自動化されたプロセス、そして現代都市の複雑化する課題を管理するために不可欠なデータ主導の意思決定を可能にします。

Link to this sectionYOLO11を用いたANPRの総括#

ANPRシステムは現代の都市インフラに不可欠な存在となっており、YOLO11のようなコンピュータビジョンモデルを統合することで、その価値はさらに高まります。YOLO11は、より高い精度、リアルタイム処理、および適応性によってANPRを強化し、スマートシティアプリケーションに理想的なものにします。交通管理や法執行の改善から、駐車やセキュアアクセスの自動化に至るまで、YOLO11を搭載したANPRシステムは効率と信頼性をもたらします。都市がよりスマートになるにつれ、これらのソリューションは、都市生活を変革し、インテリジェントなインフラの未来を支える上で重要な役割を果たすことになるでしょう。

AIの詳細については、私たちのGitHubリポジトリにアクセスし、コミュニティに参加してください。私たちのソリューションページで、製造や農業におけるAI活用事例をご覧ください。🚀