Ultralytics YOLOv8 para sistemas de gestão de estacionamento mais inteligentes

Pode ser stressante andar às voltas de carro à procura de um lugar de estacionamento, especialmente quando estás atrasado. A forma tradicional de procurar um lugar para estacionar pode ser entediante e demorada. No entanto, um sistema de gestão de estacionamento orientado por inteligência artificial (AI) e visão computacional pode simplificar as coisas. Pode tornar a disponibilidade de estacionamento mais previsível e reduzir o congestionamento do tráfego.

Neste artigo, vamos aprender a atualizar os sistemas de gestão de estacionamento com inteligência artificial e visão computacional. Também veremos um exemplo de código passo a passo para mostrar como podes utilizar o modelo Ultralytics YOLOv8 para criar um sistema de gestão de estacionamento com visão computacional. Vamos começar!

Problemas da gestão tradicional de parques de estacionamento#

Antes de discutirmos os sistemas inteligentes de gestão de estacionamento melhorados com AI, vejamos os problemas dos sistemas tradicionais de gestão de estacionamento.

Um dos principais problemas dos sistemas tradicionais são os lugares de estacionamento sobrelotados: há mais carros nos parques de estacionamento do que lugares disponíveis. Além de perderem tempo à procura de um lugar, os parques sobrelotados levam a um consumo excessivo de combustível e à poluição do ar. Outro problema é o stress dos condutores. De acordo com um inquérito, cerca de 27% das pessoas passam pelo menos 30 minutos à procura de lugares de estacionamento. Além disso, 43% das pessoas admitiram envolver-se em discussões verbais com desconhecidos por causa de lugares de estacionamento.

Fig. 1. Um condutor stressado. Fonte da imagem: Envato Elements.

A AI facilita a gestão de parques de estacionamento#

Os parques de estacionamento integrados com AI procuram resolver os problemas enfrentados pelos sistemas tradicionais de gestão de estacionamento. Modelos de visão computacional, como o modelo Ultralytics YOLOv8, e câmaras de alta definição podem monitorizar parques de estacionamento e obter atualizações em tempo real sobre os lugares disponíveis e ocupados.

Como funciona? Um modelo de visão computacional pode analisar imagens de câmaras de alta definição para detetar veículos, acompanhar os seus movimentos e identificar lugares de estacionamento disponíveis. O modelo Ultralytics YOLOv8 é compatível com tarefas de visão computacional, como deteção de objetos e rastreio de objetos, e pode identificar e classificar com precisão os veículos numa transmissão de vídeo. Ao comparar as localizações detetadas dos veículos com os lugares de estacionamento predefinidos, o sistema pode determinar se um lugar está ocupado ou não.

Fig. 2. YOLOv8 a detetar lugares de estacionamento.

As informações sobre a disponibilidade de estacionamento provenientes do sistema baseado em visão podem ser integradas e ampliadas em diferentes aplicações:

• Aplicações móveis: As aplicações móveis podem apresentar a disponibilidade de estacionamento em tempo real e ajudar os condutores a encontrar lugares disponíveis de forma rápida e fácil.
• Sinalização digital: Os painéis digitais nas entradas dos parques de estacionamento podem mostrar o número de lugares disponíveis e orientar os condutores até ao lugar livre mais próximo.
• Sistemas de estacionamento automatizados: Os dados podem ser utilizados para controlar barreiras e portões automatizados, permitindo a entrada apenas quando há lugares disponíveis e orientando os condutores até ao lugar livre mais próximo.

As vantagens de um sistema de gestão de estacionamento#

As informações sobre a disponibilidade de estacionamento podem proporcionar muitas vantagens. As atualizações em tempo real ajudam os condutores a dirigir-se diretamente para os lugares livres, tornando o fluxo de tráfego mais fluido e reduzindo o stress de encontrar estacionamento. Para os operadores, compreender como os lugares são utilizados permite gerir melhor o parque, melhorar a segurança através de monitorização em tempo real e responder rapidamente a quaisquer incidentes.

A automatização das funções de estacionamento reduz os custos ao diminuir a necessidade de trabalho manual. Os sistemas de AI facilitam a reserva de lugares de estacionamento através de aplicações móveis ou Web, permitindo que os condutores recebam notificações sobre a disponibilidade e poupem tempo e dinheiro. Os urbanistas podem utilizar estes dados para conceber melhores configurações rodoviárias, aplicar regulamentos de estacionamento eficazes e desenvolver novas instalações de estacionamento que tornem as cidades mais eficientes e fáceis de percorrer.

Fig. 3. Reserva lugares de estacionamento através de uma aplicação móvel.

Experimenta: gestão de estacionamento com YOLOv8#

Agora que compreendemos claramente a gestão de estacionamento e as suas vantagens, vamos ver como podes criar um sistema de gestão de estacionamento baseado em visão. Vamos utilizar o modelo YOLOv8 para detetar veículos, monitorizar lugares de estacionamento e determinar o seu estado de ocupação.

Neste exemplo, podes utilizar um vídeo ou uma transmissão de câmara de um parque de estacionamento. Tem em atenção que o tamanho máximo de imagem suportado por este exemplo é 1920 * 1080. Antes de começarmos, lembra-te de que este sistema depende de uma deteção precisa dos veículos e de coordenadas predefinidas dos lugares de estacionamento.

A calibração da câmara e os fatores ambientais podem afetar a precisão da deteção dos lugares e do estado de ocupação. A velocidade e a precisão do processamento também podem variar consoante o desempenho da tua GPU.

Passo 1: Vamos começar por instalar o pacote Ultralytics. Abre a linha de comandos ou o terminal e executa o seguinte comando.

pip install ultralytics

Consulta o nosso guia de instalação da Ultralytics para obteres instruções detalhadas e boas práticas sobre o processo de instalação. Se encontrares problemas ao instalar os pacotes necessários para o YOLOv8, o nosso guia de problemas comuns disponibiliza soluções e sugestões úteis.

Passo 2: Temos de pré-selecionar os lugares de estacionamento para podermos marcar as áreas de interesse nas tuas imagens. Executa este código para abrir a interface de utilizador e pré-selecionar os lugares de estacionamento.

from ultralytics import solutions

solutions.ParkingPtsSelection()

Como mostrado abaixo, será aberta uma interface de utilizador quando executares este código. Captura um fotograma ou uma captura de ecrã do teu vídeo de entrada de um parque de estacionamento e carrega-o. Depois de desenhares BBoxes à volta dos lugares de estacionamento, clica na opção de guardar. As informações dos lugares de estacionamento selecionados serão guardadas num ficheiro JSON denominado ‘bounding_boxes.json.’

Fig. 4. Selecionar lugares de estacionamento nas tuas imagens.

Passo 3: Agora, podemos avançar para o código principal da gestão de estacionamento. Começa por importar todas as bibliotecas necessárias e inicializar o ficheiro JSON que criámos no passo 2.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

Passo 4: Cria um objeto VideoCapture para ler o ficheiro de vídeo de entrada e certifica-te de que o ficheiro de vídeo foi aberto com sucesso.

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"

Passo 5: Inicializa todas as propriedades de vídeo necessárias, como a largura, a altura e os fotogramas por segundo.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

Passo 6: Em seguida, podemos criar um objeto VideoWriter para guardar o ficheiro de vídeo final processado.

video_writer = cv2.VideoWriter("parking management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

Passo 7: Aqui, inicializamos o sistema de gestão de estacionamento com o modelo Ultralytics YOLOv8 para a deteção de lugares de estacionamento.

management = solutions.ParkingManagement(model_path="yolov8n.pt")

Passo 8: Agora, percorremos o ficheiro de vídeo, fotograma a fotograma, para o processar. Se não forem lidos fotogramas, o ciclo será interrompido.

while cap.isOpened():
    ret, im0 = cap.read()
    if not ret:
        break

Passo 9: Dentro do ciclo, vamos extrair as regiões de estacionamento pré-selecionadas do ficheiro JSON e rastrear os objetos no fotograma utilizando o modelo YOLOv8.

json_data = management.parking_regions_extraction(polygon_json_path)
results = management.model.track(im0, persist=True, show=False)

Passo 10: Esta parte do ciclo processa os resultados do rastreio e obtém as coordenadas da BBox e os rótulos de classe dos objetos detetados.

if results[0].boxes.id is not None:
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    management.process_data(json_data, im0, boxes, clss)

Passo 11: A última parte do ciclo envolve apresentar o fotograma atual com anotações e escrever o fotograma processado no ficheiro de vídeo de saída “parking management.avi.”

management.display_frames(im0)
video_writer.write(im0)

Passo 12: Por fim, podemos libertar os objetos VideoCapture e VideoWriter e destruir todas as janelas.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Passo 13: Guarda o teu script. Se estiveres a trabalhar no terminal ou na linha de comandos, executa o script utilizando o seguinte comando:

python your_script_name.py

Consulta a documentação oficial da Ultralytics para saberes mais sobre o código.

Desafios de um sistema automatizado de gestão de parques de estacionamento#

Os sistemas de estacionamento inteligentes oferecem muitas vantagens tanto aos condutores como às empresas. No entanto, também apresentam alguns desafios que devem ser considerados antes de implementar estas soluções. Vejamos alguns deles.

• Questões de privacidade: Estes sistemas recolhem informações como a marca e o modelo do carro de uma pessoa, o número da matrícula, a hora de entrada e saída, entre outras.
• Elevado custo de instalação: Os sensores, as câmaras, as máquinas automáticas de emissão de bilhetes e o software de AI podem ser dispendiosos de instalar.
• Requisitos de manutenção: A frequência da manutenção depende do sistema de AI, mas a maioria dos sistemas requer manutenção mensal.

O futuro dos sistemas de estacionamento inteligentes#

A gestão inovadora do estacionamento no futuro passará pela utilização de tecnologias de ponta, como AI, carros autónomos e realidade virtual, para melhorar a experiência geral de estacionamento e promover a sustentabilidade. Quando integrados com estes sistemas, os carros autónomos poderão navegar até aos locais de estacionamento sem intervenção humana e estacionar. Estes sistemas também ajudam as empresas a ocupar mais lugares de estacionamento e a anunciar os seus serviços em várias aplicações e sites. Reduzem ainda o número de emissões de carbono provenientes dos condutores que circulam à procura de um lugar de estacionamento.

Acabar com os problemas do estacionamento#

Os modelos de AI, como o Ultralytics YOLOv8, e a visão computacional podem transformar o teu parque de estacionamento. Reduzem significativamente o tempo passado a circular à procura de lugares, poupando-te tempo e reduzindo as emissões. Estes sistemas inteligentes de gestão de estacionamento resolvem problemas comuns, como o congestionamento, o estacionamento ilegal e a frustração dos condutores. Embora exista um investimento inicial, os benefícios a longo prazo são significativos. Investir em estacionamento inteligente é essencial para criar cidades sustentáveis e uma experiência de estacionamento mais fluida para todos.

Queres saber mais sobre AI? Liga-te à nossa comunidade! Explora o nosso repositório do GitHub para saberes mais sobre como estamos a utilizar AI para criar soluções inovadoras em vários setores, como os cuidados de saúde e a agricultura. Colabora, inova e aprende connosco! 🚀