10 de fevereiro de 2025
Aprenda a construir um sistema ANPR usando Ultralytics YOLO11 para detecção de placas e GPT-4o Mini para reconhecimento de texto com precisão em tempo real.
Encontrar estacionamento em um local lotado, esperar em longas filas de pedágio ou ficar preso em postos de segurança é frustrante. As verificações manuais de veículos geralmente demoram muito e causam atrasos. Sem um sistema automatizado, rastrear carros de forma eficiente pode ser um desafio.
A visão computacional mudou isso, permitindo o reconhecimento de placas de carro em tempo real a partir de imagens e fluxos de vídeo. Por exemplo, o Ultralytics YOLO11 é um modelo avançado de visão computacional que pode executar tarefas avançadas de Vision AI, como detecção, classificação e rastreamento de objetos. Usando as habilidades de detecção de objetos do YOLO11, você pode detectar com precisão as placas de carro de veículos em imagens.
A Ultralytics oferece notebooks Google Colab abrangentes que simplificam o processo de construção de soluções alimentadas por Visão de IA. Esses 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 (Reconhecimento Automático de Placas de Veículos).
Neste artigo, usando o notebook Ultralytics Colab para ANPR, exploraremos como construir uma solução ANPR usando o Ultralytics YOLO11 para detecção de placas de veículos e o GPT-4o Mini para reconhecimento de texto.
Rastrear carros manualmente é demorado e propenso a erros, especialmente quando eles estão se movendo rapidamente. Verificar cada placa de licença uma por uma retarda o processo e aumenta o risco de erros. O reconhecimento automático de placas de veículos resolve este problema usando visão computacional para detectar e ler placas de veículos instantaneamente, tornando o monitoramento de tráfego e a segurança mais eficientes.
Os sistemas ANPR podem capturar imagens ou vídeos de veículos que passam e usar a detecção de objetos em tempo real para identificar as placas. Uma vez detectadas, o reconhecimento de texto é usado para extrair os números das placas automaticamente, sem a necessidade de intervenção humana. Este processo garante resultados precisos, mesmo quando os veículos estão se movendo rapidamente ou as placas estão parcialmente obscurecidas.
Atualmente, praças de pedágio, sistemas de estacionamento e autoridades policiais estão cada vez mais dependendo do ANPR para rastrear veículos de forma eficiente.
Embora o RAPV identifique rapidamente os veículos, ainda existem alguns desafios que podem afetar sua precisão. Aqui estão alguns problemas comuns que podem afetar o bom funcionamento de um sistema RAPV:
O Ultralytics YOLO11 pode tornar os sistemas ANPR mais rápidos e precisos. Ele processa imagens rapidamente, mantendo a precisão, e não requer grande poder de computação, portanto, funciona bem em tudo, desde pequenas câmeras de segurança até grandes sistemas de tráfego.
Com treinamento personalizado, o YOLO11 pode ser adaptado a diferentes estilos de placas de veículos, idiomas e ambientes. Ele também tem um bom desempenho em condições desafiadoras, como pouca luz, desfoque de movimento e ângulos difíceis, quando treinado de forma personalizada em datasets especializados que incluem imagens dessas condições.
Ao identificar veículos instantaneamente, o YOLO11 ajuda a reduzir os tempos de espera, evitar erros e melhorar a segurança. Isto torna o fluxo de tráfego mais suave e as operações mais eficientes em parques de estacionamento, portagens e sistemas de vigilância.
Em seguida, vamos explicar como construir um sistema ANPR usando YOLO11 e GPT-4o Mini.
Vamos explorar o código apresentado no notebook Ultralytics Google Collab para esta solução. O notebook Google Colab é fácil de usar e qualquer pessoa pode criar um sistema ANPR sem precisar de uma configuração complicada.
Para começar, precisaremos instalar nossas dependências, ou os pacotes de software e bibliotecas essenciais necessários para executar nosso sistema ANPR. Essas dependências ajudam em tarefas como detecção de objetos, processamento de imagem e reconhecimento de texto, garantindo que o sistema funcione de forma eficiente.
Vamos instalar 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 placas de matrícula com o YOLO11.
Também precisaremos configurar o GPT-4o Mini para reconhecimento de texto. Como o GPT-4o Mini é responsável por extrair 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. Depois de ter a chave, ela pode ser adicionada ao notebook Colab para que o sistema possa se conectar ao modelo e processar os números das placas.
Após concluir a configuração e executar o código de instalação, o YOLO11 estará pronto para detectar placas de veículos, e o GPT-4o Mini estará configurado para reconhecer e extrair texto delas.
Agora que está tudo configurado, o próximo passo é baixar o modelo YOLO11 que foi treinado sob medida para detectar placas de veículos. Como este modelo já foi treinado para detectar placas de matrícula, não é necessário treiná-lo do zero. Você pode simplesmente baixá-lo e ele estará pronto para uso. Isso economiza tempo e torna o processo muito mais fácil.
Além disso, vamos baixar um arquivo de vídeo de amostra para testar o sistema. Se quiser, você também pode executar esta solução em seus próprios arquivos de vídeo. Uma vez baixados, o modelo e os arquivos de vídeo serão armazenados no ambiente do notebook.
Com o modelo pronto, é hora de vê-lo em ação. Primeiro, o arquivo de vídeo é carregado para processamento, garantindo que seja aberto corretamente. Em seguida, um gravador de vídeo é configurado para salvar a filmagem processada com as placas de licença detectadas, mantendo o tamanho e a taxa de quadros originais. Por fim, o modelo é carregado para detectar placas de licença em cada frame do vídeo.
Depois que o modelo é carregado, o sistema começará a analisar cada quadro do vídeo para detectar placas de veículos. Quando uma placa é encontrada, o sistema a destaca com uma caixa de detecção, facilitando a identificação. Esta etapa garante que apenas os detalhes relevantes sejam capturados, filtrando informações de fundo desnecessárias. Com as placas detectadas com sucesso, o vídeo está agora pronto para a próxima etapa.
Após detectar uma placa, o próximo passo é o reconhecimento de texto. O sistema primeiro recorta a placa do frame de vídeo, removendo quaisquer distrações para uma visão clara. Isso ajuda a focar nos detalhes, melhorando a precisão mesmo em condições desafiadoras, como pouca luz ou desfoque de movimento.
Uma vez que a placa é isolada, o GPT-4o Mini analisa a imagem, extrai os números e letras e os converte em texto legível. O texto reconhecido é então adicionado de volta ao vídeo, rotulando cada placa detectada em tempo real.
Com estas etapas concluídas, o sistema ANPR está totalmente funcional e pronto para reconhecer placas de veículos com facilidade.
A etapa final salva o vídeo processado e limpa os arquivos temporários, garantindo que tudo corra bem.
Cada quadro processado, com placas detectadas e texto reconhecido, é gravado no vídeo de saída final. Depois que todos os quadros são processados, o sistema fecha o arquivo de vídeo do qual estava lendo, liberando memória e recursos do sistema. Ele também finaliza e salva o vídeo de saída, tornando-o pronto para reprodução ou análise posterior.
Após construir e testar uma solução ANPR, o próximo passo é implementá-la em um ambiente real. A maioria dos modelos de Visão de IA depende de computação de alto desempenho, mas o Ultralytics YOLO11 é otimizado para Edge AI. Ele pode ser executado de forma eficiente em dispositivos pequenos sem exigir processamento em nuvem ou uma conexão constante com a internet, tornando-o uma ótima opção para locais com recursos limitados.
Por exemplo, um condomínio fechado pode implantar o YOLO11 em um dispositivo de borda para identificar veículos à medida que entram, eliminando a necessidade de grandes servidores. Tudo é processado no local em tempo real, garantindo acesso suave, redução do congestionamento e maior segurança.
Enquanto isso, em áreas com conectividade de internet estável, o ANPR baseado em nuvem pode lidar com várias câmeras simultaneamente. Por exemplo, em um shopping center, ele pode rastrear veículos em diferentes entradas e armazenar números de placas em um sistema central, facilitando o monitoramento do estacionamento, melhorando a segurança e gerenciando o fluxo de veículos remotamente.
Configurar um sistema automático de reconhecimento de placas de matrícula (ANPR) é simples com o Ultralytics YOLO11. Ele detecta com precisão as placas de matrícula e pode ser treinado sob medida para se adaptar a diferentes ambientes e requisitos.
Os sistemas ANPR aprimoram a segurança, agilizam a gestão de estacionamento e melhoram o monitoramento do tráfego. Ao automatizar o reconhecimento de placas, eles reduzem erros, aceleram a identificação e tornam o rastreamento de veículos mais eficiente em várias aplicações.
Junte-se à nossa comunidade e visite nosso repositório no GitHub para ver a IA em ação. Explore nossas opções de licenciamento e descubra mais sobre Visão de IA na fabricação e IA em carros autônomos em nossas páginas de soluções.
