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

É frustrante procurar estacionamento num parque cheio, esperar em longas filas nas portagens ou ficar preso nos pontos de controlo de segurança. As verificações manuais dos veículos demoram muitas vezes demasiado tempo e causam atrasos. Sem um sistema automatizado, pode ser difícil acompanhar os carros de forma eficiente.

A visão computacional mudou esse cenário ao possibilitar o reconhecimento de placas em tempo real a partir de imagens e fluxos de vídeo. Por exemplo, o Ultralytics YOLO11 é um modelo de visão computacional compatível com tarefas de IA visual, como detecção, classificação e rastreamento de objetos. Com os recursos de detecção de objetos do YOLO11, você pode detectar placas de veículos em imagens com precisão.

A Ultralytics disponibiliza blocos de notas do Google Colab abrangentes que simplificam o processo de criação de soluções baseadas em IA de visão. Estes blocos de notas já vêm configurados com dependências e modelos essenciais, bem como guias passo a passo, o que facilita a criação de aplicações. Em particular, existe um bloco de notas Colab dedicado ao reconhecimento automático de matrículas (ANPR).

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

Compreender o ANPR#

Acompanhar carros manualmente é demorado e propenso a erros, sobretudo quando 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 recorrendo à visão computacional para detetar e ler matrículas instantaneamente, tornando a monitorização do trânsito e a segurança mais eficientes.

Os sistemas ANPR podem capturar imagens ou vídeos de veículos em movimento e usar a detecção de objetos em tempo real para identificar placas. Depois da detecção, o reconhecimento de texto extrai automaticamente os números das placas, sem necessidade de intervenção humana. Esse processo ajuda a manter a precisão dos resultados mesmo quando os veículos estão em alta velocidade ou as placas estão parcialmente obstruídas.

Fig. 1. Exemplo de utilização de Ultralytics YOLO11 para detetar uma matrícula.

Hoje em dia, as portagens, os sistemas de estacionamento e as forças de segurança recorrem cada vez mais ao ANPR para acompanhar veículos de forma eficiente.

Desafios associados à tecnologia ANPR#

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

• Pouca luz e más condições meteorológicas: as matrículas são mais difíceis de ler à noite e com mau tempo. O nevoeiro, a chuva e o encandeamento dos faróis podem desfocar o texto e torná-lo ilegível.
• Matrículas desfocadas ou obstruídas: um carro em movimento rápido pode gerar uma imagem desfocada, sobretudo se a velocidade do obturador da câmara for demasiado lenta. A sujidade, os riscos ou partes da matrícula tapadas também podem causar problemas de reconhecimento. A utilização de câmaras de alta qualidade com as definições adequadas ajuda a obter resultados mais nítidos.
• Formatos de matrículas inconsistentes: nem todas as matrículas são iguais. Algumas têm tipos de letra elaborados, 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 proteger as informações. Com as salvaguardas certas, os sistemas ANPR podem ser seguros e fiáveis.

Como Ultralytics YOLO11 melhora os sistemas ANPR#

Ultralytics YOLO11 pode tornar os sistemas ANPR mais rápidos e precisos. Processa imagens rapidamente sem comprometer a precisão e não requer grande capacidade de computação, pelo que funciona bem em tudo, desde pequenas câmaras de segurança a grandes sistemas de trânsito.

Com o treinamento personalizado, o Ultralytics YOLO11 pode ser adaptado a diferentes estilos de placas, idiomas e ambientes. Conjuntos de dados públicos, como o Car License Plate na Ultralytics Platform, são um bom ponto de partida. O modelo também tem bom desempenho em condições desafiadoras, como pouca luz, desfoque de movimento e ângulos difíceis, quando treinado de forma personalizada com conjuntos de dados especializados que incluem imagens dessas condições.

Ao identificar veículos instantaneamente, 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 ANPR com Ultralytics YOLO11 e GPT-4o Mini#

A seguir, vamos ver como criar um sistema ANPR com Ultralytics YOLO11 e GPT-4o Mini.

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

Etapa 1: Configurando o ambiente#

Para começar, precisamos de instalar as dependências, ou seja, os pacotes de software e as bibliotecas essenciais para executar o nosso sistema 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, como se mostra abaixo. Este pacote disponibiliza modelos pré-treinados, utilitários de treino e ferramentas de inferência, facilitando a deteção e o reconhecimento de matrículas com YOLO11.

Fig. 2. Instalação do pacote Python da Ultralytics.

Também precisaremos configurar o GPT-4o Mini para o reconhecimento de texto. Como o GPT-4o Mini é responsável por extrair o texto das placas detectadas, precisamos de uma chave de API para acessar o modelo. Você pode obter essa chave ao se inscrever na API da OpenAI. Depois de obtê-la, você pode adicioná-la ao notebook do Colab para que o sistema se conecte ao modelo e processe os números das placas.

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

Passo 2: transferir o modelo com treino personalizado#

Agora que está tudo configurado, o passo seguinte é transferir o modelo Ultralytics YOLO11 que foi treinado especificamente para detetar matrículas. Como este modelo já foi treinado para detetar matrículas, não é necessário treiná-lo de raiz. Basta transferi-lo e estará pronto a usar. 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, também podes executar esta solução nos teus próprios ficheiros de vídeo. Depois de transferidos, o modelo e os ficheiros de vídeo serão guardados no ambiente do bloco de notas.

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 hora de o pôr à prova. Primeiro, o ficheiro de vídeo é carregado para processamento, garantindo que abre corretamente. Em seguida, configura-se um gravador de vídeo para guardar as imagens processadas com as matrículas detetadas, mantendo o tamanho e a frequência 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 que o modelo for carregado, o sistema começará a analisar cada quadro do vídeo para detectar placas. Quando encontrar uma placa, o sistema a destacará com uma caixa delimitadora para facilitar a identificação. Essa etapa garante que apenas os detalhes relevantes sejam capturados, filtrando informações desnecessárias do fundo. Com as placas detectadas com sucesso, o vídeo estará pronto para a próxima etapa.

Etapa 4: Extração do texto das placas#

Depois de detectar uma placa, a próxima etapa é o reconhecimento de texto, também conhecido como reconhecimento óptico de caracteres (OCR). Primeiro, o sistema recorta a placa do quadro do vídeo, removendo distrações para que ela fique claramente visível. Isso ajuda a focar nos detalhes e melhora a precisão mesmo em condições desafiadoras, como pouca luz ou desfoque de movimento.

Depois que a placa é isolada, o GPT-4o Mini analisa a imagem, extrai os números e as letras e os converte em texto legível. Em seguida, o texto reconhecido é inserido novamente no vídeo, identificando cada placa detectada em tempo real.

Com essas etapas concluídas, o sistema ANPR está totalmente funcional e pronto para reconhecer placas de veículos com facilidade.

Etapa 5: Salvamento do vídeo processado#

A etapa final salva o vídeo processado e remove os arquivos temporários, garantindo que tudo funcione sem problemas.

Cada quadro processado, com as placas detectadas e o texto reconhecido, é gravado no vídeo de saída final. Depois que todos os quadros são processados, o sistema fecha o arquivo de vídeo que estava lendo, liberando memória e recursos do sistema. Ele também finaliza e salva o vídeo de saída, deixando-o pronto para reprodução ou análise adicional.

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

Implantação de um sistema ANPR#

Depois de criar e testar uma solução ANPR, a próxima etapa é implantá-la em um ambiente real. Muitos modelos de IA visual dependem de computação de alto desempenho, mas o Ultralytics YOLO11 é otimizado para IA de borda. Ele pode funcionar com eficiência em dispositivos pequenos, sem exigir processamento na nuvem ou uma conexão constante com a internet, o que o torna uma excelente opção para locais com recursos limitados.

Por exemplo, um condomínio fechado pode implantar o Ultralytics YOLO11 em um dispositivo de borda para identificar veículos ao entrarem, eliminando a necessidade de servidores grandes. Tudo é processado no local e em tempo real, garantindo acesso facilitado, menos congestionamento e mais segurança.

Fig. 6. Detecção de placas de veículos com YOLO11.

Em locais com conexão estável à internet, por outro lado, o ANPR baseado em nuvem pode processar várias câmeras simultaneamente. Por exemplo, em um shopping center, ele pode rastrear veículos em diferentes entradas e armazenar os números das placas em um sistema central, facilitando o monitoramento do estacionamento, o reforço da segurança e o gerenciamento remoto do fluxo de veículos.

O futuro do ANPR#

É fácil configurar um sistema de reconhecimento automático de placas (ANPR) com o Ultralytics YOLO11. Ele detecta placas com precisão e pode ser treinado sob medida para se adaptar a diferentes ambientes e requisitos.

Os sistemas ANPR reforçam a segurança, simplificam o gerenciamento de estacionamentos e melhoram o monitoramento do trânsito. Ao automatizar o reconhecimento de placas, eles reduzem erros, agilizam a identificação e tornam o rastreamento de veículos mais eficiente em diversas aplicações.

Participe da nossa comunidade e visite nosso repositório no GitHub para ver a IA em ação. Confira nossas opções de licenciamento e saiba mais sobre IA para visão computacional na manufatura e IA em carros autônomos nas páginas das nossas soluções.