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

Encontrar estacionamento num parque lotado, esperar em longas filas nas portagens ou ficar preso em postos de controlo de segurança é frustrante. As verificações manuais de veículos demoram frequentemente demasiado tempo e causam atrasos. Sem um sistema automatizado, localizar carros de forma eficiente pode ser um desafio.

A visão computacional mudou isto ao permitir 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 computacional que pode realizar tarefas avançadas de IA de visão como deteção, classificação e rastreio de objetos. Usando as capacidades de deteção de objetos do YOLO11, podes detetar com precisão matrículas de veículos em imagens.

A Ultralytics oferece Google Colab notebooks abrangentes que simplificam o processo de construção de soluções impulsionadas por visão IA. Estes notebooks vêm pré-configurados com dependências essenciais, modelos e guias passo a passo, tornando a criação de aplicações mais fácil. Em particular, existe um Colab notebook dedicado para ANPR (Reconhecimento Automático de Matrículas).

Neste artigo, usando o Colab notebook da Ultralytics para ANPR, vamos explorar como construir uma solução de ANPR usando Ultralytics YOLO11 para deteção de matrículas e GPT-4o Mini para reconhecimento de texto.

Link to this sectionCompreender o ANPR#

Rastrear carros manualmente é demorado e propenso a erros, especialmente quando se movem rapidamente. Verificar cada matrícula uma a uma abranda o processo e aumenta o risco de erros. O reconhecimento automático de matrículas resolve este problema usando visão computacional para detetar e ler matrículas instantaneamente, tornando a monitorização de tráfego e a segurança mais eficientes.

Os sistemas ANPR podem capturar imagens ou vídeos de veículos em movimento e usar deteção de objetos em tempo real para identificar matrículas. Uma vez detetadas, o reconhecimento de texto é usado para extrair os números das matrículas automaticamente, sem a necessidade de intervenção humana. Este processo garante resultados precisos, mesmo quando os veículos se movem rapidamente ou as matrículas estão parcialmente obstruídas.

Fig 1. Um exemplo da utilização do YOLO11 para detetar uma matrícula.

Hoje em dia, as portagens, os sistemas de estacionamento e as autoridades dependem cada vez mais do ANPR para rastrear veículos de forma eficiente.

Link to this sectionDesafios relacionados com a tecnologia ANPR#

Embora o ANPR identifique rapidamente os veículos, ainda existem alguns desafios que podem afetar a sua precisão. Aqui estão alguns problemas comuns que podem impactar o funcionamento de um sistema 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 brilho dos faróis podem desfocar o texto, tornando-o ilegível.
• Matrículas desfocadas ou bloqueadas: Um carro em movimento rápido pode deixar uma imagem desfocada, especialmente se a velocidade do obturador da câmara for muito lenta. Sujidade, riscos ou partes da matrícula cobertas também podem causar problemas de reconhecimento. Usar câmaras de alta qualidade com as definições certas ajuda a obter resultados mais claros.
• Designs de matrícula inconsistentes: Nem todas as matrículas são iguais. Algumas têm tipos de letra elegantes, texto extra ou logótipos que confundem o sistema.
• Riscos de privacidade e segurança de dados: Armazenar dados de veículos de forma segura é importante. As medidas de segurança certas podem impedir o acesso não autorizado e manter a informação protegida. Com as salvaguardas adequadas, os sistemas ANPR podem ser tanto seguros como fiáveis.

Link to this sectionComo o YOLO11 melhora os sistemas ANPR#

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

Com formação personalizada, o YOLO11 pode ser adaptado a diferentes estilos de matrícula, 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 em datasets especializados que incluam imagens destas 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.

Link to this sectionConstruir um sistema de ANPR com YOLO11 e GPT-4o Mini#

A seguir, vamos percorrer como construir um sistema de ANPR usando YOLO11 e GPT-4o Mini.

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

Link to this sectionPasso 1: Configurar o ambiente#

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 objetos, processamento de imagem e reconhecimento de texto, garantindo que o sistema funcione de forma eficiente.

Vamos instalar o pacote Python da Ultralytics conforme mostrado abaixo. Este pacote fornece modelos pré-treinados, utilitários de formação e ferramentas de inferência, tornando mais fácil detetar e reconhecer matrículas com o YOLO11.

Fig 2. A instalar o pacote Python da Ultralytics.

Também precisaremos de configurar o GPT-4o Mini para reconhecimento de texto. Uma vez que o GPT-4o Mini é responsável por extrair texto de matrículas detetadas, precisamos de uma chave API para aceder ao modelo. Esta chave pode ser obtida inscrevendo-te na API do GPT-4o Mini. Depois de teres a chave, podes adicioná-la ao Colab notebook para que o sistema consiga ligar-se ao modelo e processar números de matrícula.

Depois de concluir 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.

Link to this sectionPasso 2: Descarrega o modelo de formação personalizada#

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 há necessidade de o treinar do zero. Podes simplesmente descarregá-lo e está pronto a usar. Isto poupa tempo e torna o processo muito mais fácil.

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

Fig 3. A descarregar o modelo e o ficheiro de vídeo.

Link to this sectionPasso 3: Carrega o vídeo e inicia a deteção#

Assim que o modelo estiver pronto, é altura de o ver em ação. Primeiro, o ficheiro de vídeo é carregado para processamento, garantindo que abre corretamente. Um gravador de vídeo é então configurado para guardar a filmagem processada com as matrículas detetadas, mantendo o tamanho e a taxa de fotogramas originais. Finalmente, o modelo é carregado para detetar matrículas em cada fotograma do vídeo.

Fig 4. A ler o vídeo e a carregar o modelo.

Assim que o modelo é carregado, o sistema começará a analisar cada fotograma do vídeo para detetar matrículas. Quando uma matrícula é encontrada, o sistema destaca-a com uma caixa de deteção, tornando-a fácil de identificar. Este passo garante que apenas os detalhes relevantes são capturados, filtrando informações de fundo desnecessárias. Com as matrículas detetadas com sucesso, o vídeo está agora pronto para a fase seguinte.

Link to this sectionPasso 4: Extrair texto de matrículas#

Após detetar uma matrícula, o próximo passo é o reconhecimento de texto. O sistema corta primeiro a matrícula do fotograma do vídeo, removendo quaisquer distrações para uma visão clara. Isto ajuda a focar nos detalhes, melhorando a precisão mesmo em condições desafiantes como pouca luz ou desfoque de movimento.

Uma vez que a matrícula é isolada, o GPT-4o Mini analisa a imagem, extrai os números e letras e converte-os em texto legível. O texto reconhecido é então adicionado de volta ao vídeo, rotulando cada matrícula detetada em tempo real.

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

Link to this sectionPasso 5: Guardar o vídeo processado#

O passo final guarda o vídeo processado e limpa ficheiros temporários, garantindo que tudo funciona sem problemas.

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

Fig 5. A usar YOLO11 e GPT-4o Mini para ANPR.

Link to this sectionImplementar um sistema ANPR#

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

Por exemplo, uma comunidade fechada pode implementar o YOLO11 num dispositivo de ponta para identificar veículos à medida que entram, eliminando a necessidade de grandes servidores. Tudo é processado no local em tempo real, garantindo um acesso suave, redução do congestionamento e segurança reforçada.

Fig 6. A detetar matrículas com o YOLO11.

Entretanto, em áreas com conectividade de internet estável, o ANPR baseado na nuvem pode lidar com várias câmaras simultaneamente. Por exemplo, num centro comercial, pode rastrear veículos através de diferentes entradas e armazenar números de matrículas num sistema central, tornando mais fácil monitorizar o estacionamento, melhorar a segurança e gerir o fluxo de veículos remotamente.

Link to this sectionO caminho futuro para o 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 ANPR melhoram a segurança, simplificam a gestão de estacionamento e melhoram a monitorização de tráfego. Ao automatizar o reconhecimento de matrículas, reduzem erros, aceleram a identificação e tornam o rastreio de veículos mais eficiente em várias aplicações.

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