Ultralytics YOLOv8 para sistemas de gerenciamento de estacionamento mais inteligentes

Pode ser estressante dirigir em círculos à procura de uma vaga de estacionamento, especialmente quando estás atrasado. A forma tradicional de procurar um lugar para estacionar pode ser tediosa e demorada. No entanto, um sistema de gestão de estacionamento impulsionado por inteligência artificial (IA) e visão computacional pode simplificar as coisas. Ele pode tornar a disponibilidade de estacionamento mais previsível e reduzir o congestionamento de tráfego.

Neste artigo, vamos aprender como atualizar sistemas de gestão de estacionamento com inteligência artificial e visão computacional. Também percorreremos um exemplo de codificação passo a passo para te mostrar como podes usar o modelo Ultralytics YOLOv8 para criar um sistema de gestão de estacionamento com visão computacional. Vamos direto ao assunto!

Link to this sectionProblemas com a gestão tradicional de parques de estacionamento#

Antes de discutirmos sistemas inteligentes de gestão de estacionamento aprimorados por IA, vamos observar os problemas com os sistemas tradicionais de gestão de estacionamento.

Um grande problema com os sistemas tradicionais é a superlotação dos espaços de estacionamento; há mais carros nos estacionamentos do que vagas disponíveis. Além de desperdiçar tempo à procura de espaço, a superlotação leva ao consumo excessivo de combustível e à poluição do ar. Outro problema é o estresse do motorista. De acordo com uma pesquisa, cerca de 27% das pessoas passam pelo menos 30 minutos à procura de vagas. Além disso, 43% das pessoas admitiram entrar em discussões verbais com estranhos por causa de vagas de estacionamento.

Fig 1. Um motorista estressado. Fonte da imagem: Envato Elements.

Link to this sectionA IA torna a gestão de parques de estacionamento mais fácil#

Os estacionamentos integrados com IA visam resolver os problemas enfrentados pelos sistemas tradicionais de gestão. Modelos de visão computacional como o modelo Ultralytics YOLOv8 e câmeras de alta definição podem monitorar estacionamentos e obter atualizações em tempo real sobre as vagas disponíveis e ocupadas.

Como funciona? Um modelo de visão computacional pode analisar imagens de câmeras de alta definição para detectar veículos, rastrear os seus movimentos e identificar vagas de estacionamento disponíveis. O modelo Ultralytics YOLOv8 suporta tarefas de visão computacional como detecção de objetos e rastreamento de objetos, e pode identificar e classificar veículos com precisão dentro de um feed de vídeo. Ao comparar as localizações detectadas dos veículos com as vagas de estacionamento predefinidas, o sistema consegue determinar se uma vaga está ocupada ou não.

Fig 2. YOLOv8 detectando vagas de estacionamento.

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

• Aplicativos Móveis: Aplicativos móveis podem exibir a disponibilidade de estacionamento em tempo real e ajudar os motoristas a encontrar vagas disponíveis rápida e facilmente.
• Sinalização Digital: Placas digitais nas entradas dos estacionamentos podem mostrar o número de vagas disponíveis e direcionar os motoristas para a vaga livre mais próxima.
• Sistemas de Estacionamento Automatizados: Os dados podem ser usados para controlar barreiras e portões automatizados, permitindo a entrada apenas quando houver vagas disponíveis e guiando os motoristas até a vaga livre mais próxima.

Link to this sectionAs vantagens de um sistema de gestão de estacionamento#

Insights sobre a disponibilidade de estacionamento podem trazer muitas vantagens. Atualizações em tempo real ajudam os motoristas a ir diretamente para as vagas abertas, tornando o fluxo de tráfego mais suave e reduzindo o estresse de procurar estacionamento. Para os operadores, entender como as vagas são usadas significa que eles podem gerir melhor o estacionamento, melhorar a segurança com monitoramento em tempo real e responder rapidamente a quaisquer incidentes.

Automatizar as funções de estacionamento reduz custos ao diminuir a necessidade de trabalho manual. Sistemas de IA tornam mais fácil reservar vagas de estacionamento através de aplicativos móveis ou web, permitindo que os motoristas recebam notificações sobre a disponibilidade e economizem tempo e dinheiro. Planejadores urbanos podem usar esses dados para projetar melhores layouts de estradas, aplicar regulamentações de estacionamento eficazes e desenvolver novas instalações de estacionamento que tornem as cidades mais eficientes e fáceis de navegar.

Fig 3. Reserve vagas de estacionamento através de um aplicativo móvel.

Link to this sectionExperimenta tu mesmo: Gestão de estacionamento usando YOLOv8#

Agora que temos uma compreensão clara da gestão de estacionamento e das suas vantagens, vamos mergulhar em como podes build um sistema de gestão de estacionamento baseado em visão. Utilizaremos o modelo YOLOv8 para detetar veículos, monitorizar lugares de estacionamento e determinar o seu estado de ocupação.

Neste exemplo, podes usar um vídeo ou um stream de câmera de um estacionamento. Por favor, nota que o tamanho máximo de imagem suportado por este exemplo é 1920 * 1080. Antes de começarmos, lembra-te que este sistema depende de uma detecção precisa de veículos e de coordenadas de vagas de estacionamento predefinidas.

A calibração da câmera e fatores ambientais podem afetar a precisão da detecção de vagas e do status de ocupação. A velocidade de processamento e a precisão também podem variar com base no desempenho da tua GPU.

Passo 1: Vamos começar instalando o pacote Ultralytics. Abre o teu prompt de comando ou terminal e executa o seguinte comando.

pip install ultralytics

Consulta o nosso Guia de Instalação Ultralytics para instruções detalhadas e melhores práticas sobre o processo de instalação. Se encontrares algum problema ao instalar os pacotes necessários para o YOLOv8, o nosso guia de problemas comuns oferece soluções e dicas úteis.

Passo 2: Precisamos pré-selecionar as vagas de estacionamento para que possamos marcar as áreas de interesse na tua filmagem. Executa este código para abrir a interface do usuário para pré-selecionar as vagas de estacionamento.

from ultralytics import solutions

solutions.ParkingPtsSelection()

Como mostrado abaixo, uma interface de usuário será aberta quando executares este código. Tira um frame ou captura de tela do teu vídeo de entrada de um estacionamento e carrega-o. Após desenhar as bounding boxes ao redor das vagas de estacionamento, clica na opção salvar. As informações das tuas vagas selecionadas serão salvas em um arquivo JSON chamado ‘bounding_boxes.json.’

Fig 4. Selecionando vagas de estacionamento na tua filmagem.

Passo 3: Agora, podemos passar ao código principal para a gestão de estacionamento. Começa importando todas as bibliotecas necessárias e inicializando o arquivo JSON que criamos no passo 2.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

Passo 4: Cria um objeto VideoCapture para ler o arquivo de vídeo de entrada e certifica-te de que o arquivo de vídeo seja 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 largura, altura e frames 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 salvar o arquivo 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 detecção de vagas de estacionamento.

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

Passo 8: Agora, percorremos o arquivo de vídeo, frame a frame, para processamento. Se nenhum frame for lido, o loop será interrompido.

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

Passo 9: Dentro do loop, extrairemos as regiões de estacionamento pré-selecionadas do arquivo JSON e rastrearemos os objetos no frame usando 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 loop processa os resultados do rastreamento e obtém as coordenadas da bounding box e os rótulos das classes dos objetos detectados.

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 loop envolve exibir o frame atual com anotações e escrever o frame processado no arquivo de vídeo de saída “parking management.avi.”

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

Passo 12: Finalmente, podemos liberar os objetos VideoCapture e VideoWriter e destruir todas as janelas.

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

Passo 13: Salva o teu script. Se estiveres trabalhando a partir do teu terminal ou prompt de comando, executa o script usando o seguinte comando:

python your_script_name.py

Sente-te à vontade para conferir a documentação oficial da Ultralytics se quiseres saber mais sobre o código.

Link to this sectionDesafios de um sistema automatizado de gestão de estacionamento#

Sistemas de estacionamento inteligentes oferecem muitas vantagens tanto para motoristas quanto para empresas. No entanto, eles também apresentam alguns desafios que devem ser levados em consideração antes de implementar tais soluções. Vamos dar uma olhada em alguns deles.

• Preocupações com a Privacidade: Estes sistemas coletam informações como a marca e o modelo do carro de um indivíduo, número da placa, horário de entrada e saída, etc.
• Alto Custo de Instalação: Sensores, câmeras, máquinas de bilhetagem automatizadas e software de IA podem ser caros de instalar.
• Requisitos de Manutenção: A frequência da manutenção depende do sistema de IA, mas a maioria dos sistemas exige manutenção mensal.

Link to this sectionO futuro dos sistemas de estacionamento inteligentes#

A gestão inovadora de estacionamento no futuro será sobre o uso de tecnologias de ponta como IA, carros autônomos e realidade virtual para melhorar a experiência geral de estacionamento e apoiar a sustentabilidade. Quando integrados a esses sistemas, os carros autônomos serão capazes de navegar até os locais de estacionamento sem interferência humana e estacionar. Estes sistemas também ajudam as empresas a preencher mais vagas de estacionamento e anunciar os seus serviços em vários aplicativos e sites. Eles também reduzem a quantidade de emissões de carbono que emanam dos motoristas que dirigem por aí à procura de uma vaga de estacionamento.

Link to this sectionAcabando com os problemas de estacionamento#

Modelos de IA, como o Ultralytics YOLOv8, e visão computacional podem transformar o teu estacionamento. Eles reduzem drasticamente a busca por vagas, economizando o teu tempo e reduzindo emissões. Estes sistemas inteligentes de gestão de estacionamento resolvem problemas comuns como congestionamento, estacionamento ilegal e frustração do motorista. Embora haja um investimento inicial, os benefícios a longo prazo são significativos. Investir em estacionamento inteligente é a chave para criar cidades sustentáveis e uma experiência de estacionamento mais tranquila para todos.

Queres saber mais sobre IA? Conecta-te com a nossa comunidade! Explora o nosso repositório GitHub para aprender mais sobre como estamos usando IA para criar soluções inovadoras em vários setores como saúde e agricultura. Colabora, inova e aprende conosco! 🚀