Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
Definições de cookies
Ao clicar em “Aceitar todos os cookies”, concorda com o armazenamento de cookies no seu dispositivo para melhorar a navegação no site, analisar a utilização do site e ajudar nos nossos esforços de marketing. Mais informações
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 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 por computador veio alterar esta situação, permitindo o reconhecimento de matrículas em tempo real a partir de imagens e fluxos de vídeo. Por exemplo, 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 detect com precisão as matrículas dos veículos nas imagens.
Ultralytics oferece notebooks abrangentes 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.
Compreender o Reconhecimento Automático de Matrículas (ANPR)
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 detect e ler as matrículas instantaneamente, tornando a monitorização do 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.
Fig. 1. Um exemplo de utilização do YOLO11 para detect uma matrícula.
Atualmente, as cabines de portagem, os sistemas de estacionamento e a aplicação da lei dependem cada vez mais do ANPR para track veículos de forma eficiente.
Desafios relacionados à tecnologia ANPR
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:
Baixa luminosidade e mau tempo: As placas de matrícula tornam-se mais difíceis de ler à noite e em condições de mau tempo. Neblina, chuva e o brilho dos faróis podem obscurecer o texto, tornando-o ilegível.
Placas borradas ou bloqueadas: Um carro em movimento rápido pode deixar uma imagem borrada, especialmente se a velocidade do obturador da câmera for muito lenta. Sujeira, arranhões ou partes da placa cobertas também podem causar problemas de reconhecimento. Usar câmeras de alta qualidade com as configurações corretas ajuda a obter resultados mais nítidos.
Designs de placas inconsistentes: Nem todas as placas são iguais. Algumas têm fontes extravagantes, texto extra ou logotipos que confundem o sistema.
Riscos de privacidade e segurança de dados: É importante armazenar os dados do veículo de forma segura. As medidas de segurança corretas podem impedir o acesso não autorizado e manter as informações protegidas. Com as salvaguardas adequadas, os sistemas ANPR podem ser seguros e fiáveis.
Como YOLO11 melhora os sistemas ANPR
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, 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, 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.
Construção de um sistema ANPR com YOLO11 e GPT-4o Mini
De seguida, vamos ver como construir um sistema ANPR utilizando 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 Google Colab é fácil de utilizar e qualquer pessoa pode criar um sistema ANPR sem necessitar de uma configuração complicada.
Passo 1: Configurando o ambiente
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.
Instalaremos o pacoteUltralytics Python , conforme mostrado abaixo. Este pacote fornece modelos pré-treinados, utilitários de treino e ferramentas de inferência, facilitando a detect e o reconhecimento de matrículas com o YOLO11.
Fig 2. Instalação do pacotePython Ultralytics .
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.
Depois de completar a configuração e executar o código de instalação, YOLO11 estará pronto para detect matrículas, e o GPT-4o Mini estará configurado para reconhecer e extrair texto das mesmas.
Passo 2: Baixe o modelo treinado personalizado
Agora que tudo está configurado, o próximo passo é descarregar o modelo YOLO11 que foi treinado de forma personalizada para detect matrículas. Uma vez que este modelo já foi treinado para detect 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, 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.
Fig 3. Download do modelo e do arquivo de vídeo.
Passo 3: Carregue o vídeo e inicie a detecção
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 detect matrículas em cada fotograma do vídeo.
Fig 4. Lendo o vídeo e carregando o modelo.
Assim que o modelo é carregado, o sistema começa a analisar cada fotograma do vídeo para detect 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.
Passo 4: Extraindo texto das placas de identificação
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.
Passo 5: Salvando o vídeo processado
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.
Fig. 5. Utilização do YOLO11 e do GPT-4o Mini para ANPR.
Implementando um sistema ANPR
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, masYOLO11 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 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 track 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.
O caminho a seguir para ANPR
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 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.
