10 de fevereiro de 2025
Saiba como construir um sistema ANPR utilizando o Ultralytics YOLO11 para deteção de matrículas e o GPT-4o Mini para reconhecimento de texto com precisão em tempo real.
Encontrar estacionamento num parque cheio de gente, esperar em longas filas nas portagens ou ficar retido nos pontos de controlo de segurança é frustrante. Os controlos manuais de veículos demoram muitas vezes demasiado tempo e causam atrasos. Sem um sistema automatizado, o controlo eficiente dos veículos pode ser um desafio.
A visão por computador veio alterar esta situação, permitindo o reconhecimento de matrículas em tempo real a partir de imagens e fluxos de vídeo. Por exemplo, o Ultralytics YOLO11 é um modelo avançado de visão por computador que pode executar tarefas avançadas de IA de visão, como deteção, classificação e seguimento de objectos. Utilizando as capacidades de deteção de objectos do YOLO11, é possível detetar com precisão as matrículas dos veículos nas imagens.
A Ultralytics oferece notebooks abrangentes do Google Colab que simplificam o processo de criação de soluções com tecnologia Vision AI. Estes notebooks vêm pré-configurados com dependências essenciais, modelos e guias passo-a-passo, facilitando a criação de aplicações. Em particular, existe um notebook Colab dedicado para ANPR (Automatic Number Plate Recognition).
Neste artigo, utilizando o notebook Ultralytics Colab para ANPR, vamos explorar como construir uma solução ANPR utilizando o Ultralytics YOLO11 para deteção de matrículas e o GPT-4o Mini para reconhecimento de texto.
A localização manual de automóveis é morosa e propensa a erros, especialmente quando estes se deslocam rapidamente. Verificar cada matrícula uma a uma torna o processo mais lento e aumenta o risco de erros. O reconhecimento automático de matrículas resolve este problema utilizando a visão por computador para detetar e ler as matrículas instantaneamente, tornando a monitorização do tráfego e a segurança mais eficientes.
Os sistemas ANPR podem captar imagens ou vídeos dos veículos que passam e utilizar a deteção de objectos em tempo real para identificar as matrículas. Uma vez detectadas, o reconhecimento de texto é utilizado para extrair os números das matrículas automaticamente, sem necessidade de intervenção humana. Este processo garante resultados exactos, mesmo quando os veículos se deslocam rapidamente ou as matrículas estão parcialmente ocultas.
Atualmente, as cabines de portagem, os sistemas de estacionamento e a aplicação da lei dependem cada vez mais do ANPR para localizar veículos de forma eficiente.
Embora o ANPR identifique rapidamente os veículos, existem ainda alguns desafios que podem afetar a sua precisão. Eis alguns problemas comuns que podem afetar o bom funcionamento de um sistema ANPR:
O Ultralytics YOLO11 pode tornar os sistemas ANPR mais rápidos e mais exactos. Processa imagens rapidamente, mantendo a precisão, e não requer grande capacidade de computação, pelo que funciona bem em tudo, desde pequenas câmaras de segurança a grandes sistemas de tráfego.
Com treino personalizado, o YOLO11 pode ser adaptado a diferentes estilos de matrículas, idiomas e ambientes. Também tem um bom desempenho em condições difíceis, como pouca luz, desfocagem de movimento e ângulos difíceis, quando treinado de forma personalizada em conjuntos de dados especializados que incluem imagens nestas condições.
Ao identificar os veículos instantaneamente, o YOLO11 ajuda a reduzir os tempos de espera, a evitar erros e a melhorar a segurança. Isto torna o fluxo de tráfego mais suave e as operações mais eficientes em parques de estacionamento, cabines de portagem e sistemas de vigilância.
De seguida, vamos ver como construir um sistema ANPR utilizando o YOLO11 e o GPT-4o Mini.
Para esta solução, vamos explorar o código apresentado no bloco de notas Ultralytics Google Collab. O bloco de notas do Google Colab é fácil de utilizar e qualquer pessoa pode criar um sistema ANPR sem necessitar de uma configuração complicada.
Para começar, precisamos de instalar as nossas dependências, ou os pacotes de software e bibliotecas essenciais necessários para executar o nosso sistema ANPR. Estas dependências ajudam em tarefas como a deteção de objectos, o processamento de imagens e o reconhecimento de texto, garantindo que o sistema funciona de forma eficiente.
Instalaremos o pacote Ultralytics Python, conforme mostrado abaixo. Este pacote fornece modelos pré-treinados, utilitários de treino e ferramentas de inferência, facilitando a deteção e o reconhecimento de matrículas com o YOLO11.
Também precisamos de configurar o GPT-4o Mini para reconhecimento de texto. Como o GPT-4o Mini é responsável pela extração de texto das placas detectadas, precisamos de uma chave de API para acessar o modelo. Esta chave pode ser obtida inscrevendo-se na API do GPT-4o Mini. Uma vez obtida a chave, esta pode ser adicionada ao bloco de notas do Colab para que o sistema possa ligar-se ao modelo e processar os números das matrículas.
Depois de completar a configuração e executar o código de instalação, o YOLO11 estará pronto para detetar matrículas, e o GPT-4o Mini estará configurado para reconhecer e extrair texto das mesmas.
Agora que tudo está configurado, o próximo passo é descarregar o modelo YOLO11 que foi treinado de forma personalizada para detetar matrículas. Uma vez que este modelo já foi treinado para detetar matrículas, não é necessário treiná-lo de raiz. Basta descarregá-lo e está pronto a ser utilizado. Isto poupa tempo e torna o processo muito mais fácil.
Além disso, descarregaremos um ficheiro de vídeo de amostra para testar o sistema. Se quiser, também pode executar esta solução nos seus próprios ficheiros de vídeo. Uma vez descarregados, o modelo e os ficheiros de vídeo serão armazenados no ambiente do notebook.
Quando o modelo estiver pronto, é altura de o ver em ação. Primeiro, o ficheiro de vídeo é carregado para processamento, garantindo que abre corretamente. Em seguida, é configurado um gravador de vídeo para guardar as imagens processadas com as matrículas detectadas, mantendo o tamanho e a velocidade de fotogramas originais. Finalmente, o modelo é carregado para detetar matrículas em cada fotograma do vídeo.
Assim que o modelo é carregado, o sistema começa a analisar cada fotograma do vídeo para detetar matrículas. Quando uma matrícula é encontrada, o sistema destaca-a com uma caixa de deteção, facilitando a sua identificação. Este passo garante que apenas os detalhes relevantes são capturados, filtrando informações de fundo desnecessárias. Com as matrículas detectadas com sucesso, o vídeo está agora pronto para a fase seguinte.
Após a deteção de uma matrícula, o passo seguinte é o reconhecimento de texto. O sistema começa por recortar a matrícula do quadro de vídeo, removendo quaisquer distracções para uma visualização clara. Isto ajuda a focar os detalhes, melhorando a precisão mesmo em condições difíceis, como pouca luz ou desfocagem por movimento.
Assim que a placa é isolada, o GPT-4o Mini analisa a imagem, extrai os números e as letras e converte-os em texto legível. O texto reconhecido é então adicionado de novo ao vídeo, etiquetando cada placa detectada em tempo real.
Com estes passos concluídos, o sistema ANPR está totalmente funcional e pronto para reconhecer matrículas com facilidade.
O passo final guarda o vídeo processado e limpa os ficheiros temporários, garantindo que tudo corre bem.
Cada quadro processado, com placas detectadas e texto reconhecido, é gravado no vídeo de saída final. Quando todos os fotogramas são processados, o sistema fecha o ficheiro de vídeo a partir do qual estava a ler, libertando memória e recursos do sistema. Ele também finaliza e salva o vídeo de saída, deixando-o pronto para reprodução ou análise posterior.
Depois de construir e testar uma solução ANPR, o próximo passo é implantá-la num ambiente real. A maioria dos modelos de IA de visão depende de computação de alto desempenho, mas o Ultralytics YOLO11 está optimizado para IA de ponta. Pode ser executado de forma eficiente em pequenos dispositivos sem exigir processamento na nuvem ou uma ligação constante à Internet, o que o torna uma óptima escolha para locais com recursos limitados.
Por exemplo, um condomínio fechado pode implementar o YOLO11 num dispositivo periférico para identificar os veículos à medida que entram, eliminando a necessidade de grandes servidores. Tudo é processado no local em tempo real, assegurando um acesso sem problemas, reduzindo o congestionamento e aumentando a segurança.
Entretanto, em áreas com conetividade estável à Internet, o ANPR baseado na nuvem pode gerir várias câmaras em simultâneo. Por exemplo, num centro comercial, pode localizar veículos em diferentes entradas e armazenar números de matrículas num sistema central, facilitando a monitorização do estacionamento, a melhoria da segurança e a gestão remota do fluxo de veículos.
A configuração de um sistema de reconhecimento automático de matrículas (ANPR) é simples com o Ultralytics YOLO11. Este detecta com precisão as matrículas e pode ser treinado à medida para se adaptar a diferentes ambientes e requisitos.
Os sistemas ANPR aumentam a segurança, simplificam a gestão do estacionamento e melhoram a monitorização do tráfego. Ao automatizar o reconhecimento de matrículas, reduzem os erros, aceleram a identificação e tornam o seguimento de veículos mais eficiente em várias aplicações.
Junte-se à nossa comunidade e visite o nosso repositório GitHub para ver a IA em ação. Explore as nossas opções de licenciamento e saiba mais sobre a IA de visão no fabrico e a IA em automóveis autónomos nas nossas páginas de soluções.
