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 computer vision mudou isso ao permitir o reconhecimento de placas em tempo real a partir de imagens e fluxos de vídeo. Por exemplo, o Ultralytics YOLO11 é um modelo avançado de visão computacional capaz de realizar tarefas avançadas de IA de visão, como detecção, classificação e rastreamento de objetos. Usando as habilidades de detecção de objetos do YOLO11, podes detectar com precisão placas de veículos em imagens.

A Ultralytics oferece notebooks do Google Colab abrangentes que simplificam o processo de criação de soluções impulsionadas por IA de visão. Esses notebooks vêm pré-configurados com dependências essenciais, modelos e guias passo a passo, facilitando a criação de aplicativos. Em particular, há um notebook do Colab dedicado para ANPR (Reconhecimento Automático de Placas de Veículos).

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.

Compreender o ANPR#

Rastrear carros manualmente consome muito tempo e é propenso a erros, especialmente quando estão em movimento rápido. Verificar cada placa de licença uma a uma desacelera o processo e aumenta o risco de enganos. O reconhecimento automático de placas de veículos resolve esse problema usando visão computacional para detectar e ler placas instantaneamente, tornando o monitoramento 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 de uso do Ultralytics 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.

Desafios 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.

Como o Ultralytics 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 o custom training, o Ultralytics YOLO11 pode ser adaptado a diferentes estilos de placas, 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 Ultralytics YOLO11 ajuda a reduzir tempos de espera, evitar erros e melhorar a segurança. Isso torna o fluxo de tráfego mais fluido e as operações mais eficientes em estacionamentos, praças de pedágio e sistemas de vigilância.

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

A seguir, vamos ver como construir um sistema ANPR usando 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 usar e qualquer pessoa pode criar um sistema ANPR sem precisar de uma configuração complicada.

Passo 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 treinamento e ferramentas de inferência, facilitando a detecção e o reconhecimento de placas 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.

Após concluir a configuração e executar o código de instalação, o Ultralytics YOLO11 estará pronto para detectar placas de veículos, e o GPT-4o Mini estará configurado para reconhecer e extrair texto delas.

Passo 2: Descarrega o modelo de formação personalizada#

Agora que tudo está configurado, o próximo passo é baixar o modelo do Ultralytics YOLO11 que foi treinado de forma personalizada para detectar placas de veículos. Como este modelo já foi treinado para detectar placas, não é preciso treiná-lo do zero. Podes simplesmente baixá-lo e ele estará pronto a usar. Isso 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.

Passo 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.

Passo 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.

Assim 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 estes passos concluídos, o sistema 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 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. Usando o YOLO11 e o GPT-4o Mini para ANPR.

Implementar um sistema ANPR#

Depois de criar e testar uma solução ANPR, o próximo passo é implantá-la em um ambiente do mundo real. A maioria dos modelos de IA de visão depende de computação de alto desempenho, mas o Ultralytics YOLO11 é otimizado para Edge AI. Ele pode ser executado eficientemente em pequenos dispositivos sem exigir processamento em nuvem ou uma conexão constante com a internet, tornando-se uma ótima escolha para locais com recursos limitados.

Por exemplo, um condomínio fechado pode implementar o Ultralytics YOLO11 num dispositivo de ponta para identificar veículos à medida que entram, eliminando a necessidade de servidores grandes. Tudo é processado no local em tempo real, garantindo acesso fluido, congestionamento reduzido e maior segurança.

Fig 6. Detectando placas de licença 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.

O 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.

Junte-se à nossa comunidade e visite o nosso repositório no GitHub para ver a IA em ação. Explore as nossas opções de licenciamento e descubra mais sobre IA de visão na fabricação e IA em carros autônomos nas nossas páginas de soluções.