Cria um sistema ANPR com o Ultralytics YOLO11 e o GPT-4o Mini

Encontrar estacionamento num parque cheio, esperar em longas filas nas portagens ou ficar retido em pontos de controlo de segurança é frustrante. As verificações manuais de veículos demoram muitas vezes demasiado e causam atrasos. Sem um sistema automatizado, acompanhar os veículos de forma eficiente pode ser um desafio.

A visão computacional veio mudar este cenário, permitindo o reconhecimento de matrículas em tempo real a partir de imagens e transmissões de vídeo. Por exemplo, o Ultralytics YOLO11 é um modelo avançado de visão computacional capaz de executar tarefas avançadas de IA para visão, como deteção, classificação e rastreamento de objetos. Com as capacidades de deteção de objetos do YOLO11, é possível detetar com precisão matrículas de veículos em imagens.

A Ultralytics disponibiliza notebooks do Google Colab abrangentes que simplificam o processo de criação de soluções baseadas em IA para visão. Estes notebooks vêm pré-configurados com dependências essenciais, modelos e guias passo a passo, tornando mais fácil criar aplicações. Em particular, existe um notebook do Colab dedicado ao ANPR (reconhecimento automático de matrículas).

Neste artigo, vamos explorar, utilizando o notebook do Colab da Ultralytics para ANPR, como criar uma solução de ANPR com o Ultralytics YOLO11 para a deteção de matrículas e o GPT-4o Mini para o reconhecimento de texto.

Compreender o ANPR#

Acompanhar veículos manualmente consome muito tempo e é propenso a erros, especialmente quando estes se deslocam rapidamente. Verificar cada matrícula individualmente torna o processo mais lento e aumenta o risco de erros. O reconhecimento automático de matrículas resolve este problema utilizando visão computacional para detetar e ler matrículas instantaneamente, tornando a monitorização do trânsito e a segurança mais eficientes.

Os sistemas de ANPR podem captar imagens ou vídeos de veículos em circulação e utilizar a deteção de objetos em tempo real para identificar matrículas. Depois de detetada a matrícula, o reconhecimento de texto é utilizado para extrair automaticamente os seus caracteres, sem intervenção humana. Este processo garante resultados precisos, mesmo quando os veículos se deslocam rapidamente ou quando as matrículas estão parcialmente ocultas.

Fig. 1. Exemplo da utilização do Ultralytics YOLO11 para detetar uma matrícula.

Atualmente, as portagens, os sistemas de estacionamento e as forças de segurança dependem cada vez mais do ANPR para acompanhar veículos de forma eficiente.

Desafios relacionados com a tecnologia ANPR#

Embora o ANPR identifique rapidamente os veículos, ainda existem alguns desafios que podem afetar a sua precisão. Eis alguns problemas comuns que podem influenciar o desempenho de um sistema de ANPR:

• Pouca luz e mau tempo: As matrículas tornam-se mais difíceis de ler à noite e com mau tempo. O nevoeiro, a chuva e o encandeamento dos faróis podem desfocar o texto, tornando-o ilegível.
• Matrículas desfocadas ou obstruídas: Um veículo em movimento rápido pode deixar uma imagem desfocada, especialmente se a velocidade do obturador da câmara for demasiado baixa. A sujidade, os riscos ou partes da matrícula tapadas também podem causar problemas de reconhecimento. Utilizar câmaras de alta qualidade com as definições adequadas ajuda a obter resultados mais nítidos.
• Designs de matrículas inconsistentes: Nem todas as matrículas têm o mesmo aspeto. Algumas têm fontes elaboradas, texto adicional ou logótipos que confundem o sistema.
• Riscos de privacidade e segurança dos dados: É importante armazenar os dados dos veículos em segurança. As medidas de segurança adequadas podem impedir o acesso não autorizado e manter as informações protegidas. Com salvaguardas apropriadas, os sistemas de ANPR podem ser seguros e fiáveis.

Como o Ultralytics YOLO11 melhora os sistemas de ANPR#

O Ultralytics YOLO11 pode tornar os sistemas de ANPR mais rápidos e precisos. Processa imagens rapidamente, mantendo a precisão, e não exige um grande poder computacional, pelo que funciona bem desde pequenas câmaras de segurança até grandes sistemas de trânsito.

Com treino personalizado, o Ultralytics YOLO11 pode ser adaptado a diferentes estilos de matrículas, idiomas e ambientes. Também tem um bom desempenho em condições desafiantes, como pouca luz, desfoque de movimento e ângulos difíceis, quando treinado de forma personalizada com conjuntos de dados especializados que incluem imagens destas condições.

Ao identificar veículos instantaneamente, o Ultralytics YOLO11 ajuda a reduzir os tempos de espera, evitar erros e melhorar a segurança. Isto torna o fluxo de trânsito mais fluido e as operações mais eficientes em parques de estacionamento, portagens e sistemas de vigilância.

Criar um sistema de ANPR com o Ultralytics YOLO11 e o GPT-4o Mini#

De seguida, vamos explicar como criar um sistema de ANPR utilizando o Ultralytics YOLO11 e o GPT-4o Mini.

Vamos explorar o código apresentado no notebook do Google Colab da Ultralytics para esta solução. O notebook do Google Colab é fácil de utilizar e qualquer pessoa pode criar um sistema de ANPR sem precisar de uma configuração complexa.

Passo 1: Configurar o ambiente#

Para começar, teremos de instalar as dependências, ou seja, os pacotes de software e as bibliotecas essenciais necessários para executar o nosso sistema de ANPR. Estas dependências ajudam em tarefas como a deteção de objetos, o processamento de imagens e o reconhecimento de texto, garantindo que o sistema funciona de forma eficiente.

Vamos instalar o pacote Python da Ultralytics, 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.

Fig. 2. Instalação do pacote Python da Ultralytics.

Também teremos de configurar o GPT-4o Mini para o reconhecimento de texto. Como o GPT-4o Mini é responsável por extrair texto das matrículas detetadas, precisamos de uma chave de API para aceder ao modelo. Esta chave pode ser obtida através do registo na API do GPT-4o Mini. Depois de obteres a chave, podes adicioná-la ao notebook do Colab para que o sistema se possa ligar ao modelo e processar os caracteres das matrículas.

Depois de concluíres a configuração e executares o código de instalação, o Ultralytics YOLO11 estará pronto para detetar matrículas, e o GPT-4o Mini estará configurado para reconhecer e extrair o texto destas.

Passo 2: Transferir o modelo treinado de forma personalizada#

Agora que tudo está configurado, o passo seguinte é transferir o modelo Ultralytics YOLO11 que foi treinado de forma personalizada para detetar matrículas. Como este modelo já foi treinado para detetar matrículas, não é necessário treiná-lo de raiz. Basta transferi-lo para estar pronto a utilizar. Isto poupa tempo e torna o processo muito mais simples.

Também vamos transferir um ficheiro de vídeo de exemplo para testar o sistema. Se quiseres, podes executar esta solução com os teus próprios ficheiros de vídeo. Depois de transferidos, o modelo e os ficheiros de vídeo serão armazenados no ambiente do notebook.

Fig. 3. Transferência do modelo e do ficheiro de vídeo.

Passo 3: Carregar o vídeo e iniciar a deteção#

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 detetadas, mantendo o tamanho e a taxa de fotogramas originais. Por fim, o modelo é carregado para detetar matrículas em cada fotograma do vídeo.

Fig. 4. Leitura do vídeo e carregamento do modelo.

Depois de carregado o modelo, o sistema começa a analisar cada fotograma do vídeo para detetar matrículas. Quando encontra uma matrícula, o sistema realça-a com uma caixa de deteção, facilitando a sua identificação. Este passo garante que apenas os detalhes relevantes são captados, filtrando as informações de fundo desnecessárias. Com as matrículas detetadas com sucesso, o vídeo está agora pronto para a fase seguinte.

Passo 4: Extrair texto das matrículas#

Depois de detetar uma matrícula, o passo seguinte é o reconhecimento de texto. Primeiro, o sistema recorta a matrícula do fotograma do vídeo, removendo distrações para obter uma visualização nítida. Isto ajuda a concentrar-se nos detalhes, melhorando a precisão mesmo em condições desafiantes, como pouca luz ou desfoque de movimento.

Depois de isolada a matrícula, o GPT-4o Mini analisa a imagem, extrai os números e as letras e converte-os em texto legível. O texto reconhecido é então novamente adicionado ao vídeo, identificando cada matrícula detetada em tempo real.

Com estes passos concluídos, o sistema de ANPR está totalmente funcional e pronto para reconhecer matrículas com facilidade.

Passo 5: Guardar o vídeo processado#

O passo final guarda o vídeo processado e elimina os ficheiros temporários, garantindo que tudo funciona corretamente.

Cada fotograma processado, com as matrículas detetadas e o texto reconhecido, é escrito no vídeo de saída final. Depois de processar todos os fotogramas, o sistema fecha o ficheiro de vídeo que estava a ler, libertando memória e recursos do sistema. Também finaliza e guarda o vídeo de saída, deixando-o pronto para reprodução ou análise posterior.

Fig. 5. Utilização do YOLO11 e do GPT-4o Mini para ANPR.

Implementar um sistema de ANPR#

Depois de criar e testar uma solução de ANPR, o passo seguinte é implementá-la num ambiente real. A maioria dos modelos de IA para visão depende de computação de alto desempenho, mas o Ultralytics YOLO11 está otimizado para Edge AI. Pode funcionar de forma eficiente em dispositivos pequenos, sem exigir processamento na nuvem ou uma ligação constante à Internet, sendo uma excelente escolha para locais com recursos limitados.

Por exemplo, uma comunidade residencial fechada pode implementar o Ultralytics YOLO11 num dispositivo de edge para identificar veículos à entrada, eliminando a necessidade de servidores de grandes dimensões. Tudo é processado no local e em tempo real, garantindo um acesso fluido, menos congestionamento e maior segurança.

Fig. 6. Deteção de matrículas com o YOLO11.

Entretanto, em áreas com conectividade estável à Internet, o ANPR baseado na nuvem pode processar várias câmaras em simultâneo. Por exemplo, num centro comercial, pode acompanhar veículos em diferentes entradas e guardar os números das matrículas num sistema central, facilitando a monitorização do estacionamento, o reforço da segurança e a gestão remota do fluxo de veículos.

O futuro do ANPR#

Configurar um sistema de reconhecimento automático de matrículas (ANPR) é simples com o Ultralytics YOLO11. Deteta matrículas com precisão e pode ser treinado de forma personalizada para se adaptar a diferentes ambientes e requisitos.

Os sistemas de ANPR reforçam a segurança, simplificam a gestão de estacionamentos e melhoram a monitorização do trânsito. Ao automatizarem o reconhecimento de matrículas, reduzem os erros, aceleram a identificação e tornam o acompanhamento de veículos mais eficiente em várias aplicações.

Junta-te à nossa comunidade e visita o nosso repositório no GitHub para veres a IA em ação. Explora as nossas opções de licenciamento e descobre mais sobre IA para visão na indústria e IA em veículos autónomos nas nossas páginas de soluções.