Usar o Ultralytics YOLO11 para reconhecimento automático de matrículas

À medida que a adoção de IA aumenta, inovações que dependem do Reconhecimento Automático de Placas (ANPR) estão se tornando mais comuns. Sistemas de ANPR usam visão computacional para ler automaticamente placas de veículos e identificá-los e rastreá-los. Recentemente, avanços em IA tornaram possível integrar rapidamente tais sistemas em nosso cotidiano. Na verdade, você pode ter visto sistemas de ANPR em pedágios ou durante blitze policiais para veículos em excesso de velocidade.

Reconhecimento de placas está se tornando cada vez mais importante, e o mercado global de sistemas de ANPR deve atingir 4,8 bilhões de dólares até 2027. Um fator nesse crescimento são os benefícios que o ANPR oferece a aplicações como gestão de tráfego e segurança.

Para obter os melhores resultados em aplicações de ANPR, é importante entender as técnicas de IA por trás dessas soluções. Por exemplo, a detecção de objetos, uma tarefa de visão computacional, é essencial para reconhecer e rastrear veículos com precisão, e é aqui que modelos de visão computacional como o Ultralytics YOLO11 entram em cena. Neste artigo, veremos como a ANPR funciona e como o YOLO11, em particular, pode melhorar soluções de ANPR.

Fig 1. Usando modelos Ultralytics YOLO para ANPR.

Link to this sectionComo funciona o reconhecimento automático de placas#

O Reconhecimento Automático de Placas envolve alguns passos importantes para identificar veículos de forma rápida e precisa. Vamos analisar como esses passos trabalham juntos para tornar o processo eficiente:

• Captura de imagem: Primeiro, câmeras são usadas para capturar imagens de veículos. Essas câmeras podem ser instaladas em locais fixos, como cabines de pedágio, ou montadas em veículos policiais para mobilidade.
• Detecção de placa: Em seguida, modelos de detecção de objetos como o YOLO11 são usados para localizar a placa na imagem.
• Reconhecimento Óptico de Caracteres (OCR): Depois, o OCR é usado para ler os caracteres na placa (na imagem), convertendo-os em texto legível por máquina.
• Consulta em banco de dados: Os dados de texto são então verificados em um banco de dados para confirmar as informações da placa.

Fig 2. Um exemplo de uso de modelos Ultralytics YOLO para detecção de placas.

Sistemas de ANPR frequentemente enfrentam desafios como iluminação precária, designs de placa diferentes e condições ambientais difíceis. O YOLO11 pode ajudar a lidar com essas preocupações aumentando a precisão e a velocidade de detecção, mesmo em condições difíceis. Com modelos como o YOLO11, o ANPR pode operar de forma mais confiável, facilitando a identificação de placas em tempo real, seja dia ou noite, ou sob mau tempo. Na próxima seção, analisaremos mais de perto como você pode usar o YOLO11 para alcançar essas melhorias.

Link to this sectionComo o YOLO11 pode aprimorar um sistema de ANPR#

O Ultralytics YOLO11 foi apresentado pela primeira vez no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24). Como um modelo de detecção de objetos que suporta aplicações em tempo real, o YOLO11 é uma ótima opção para melhorar inovações como sistemas de ANPR. O YOLO11 também é adequado para aplicações de Edge AI. Isso permite que soluções de ANPR integradas com o YOLO11 operem efetivamente, mesmo quando a conexão de rede é instável. Como resultado, sistemas de ANPR podem funcionar perfeitamente em locais remotos ou áreas com conectividade limitada.

O YOLO11 também traz melhorias de eficiência em comparação com seus predecessores. Por exemplo, o YOLO11m alcança uma mAP (precisão média média) mais alta no dataset COCO com 22% menos parâmetros em comparação ao YOLOv8m. Com o YOLO11, sistemas de ANPR podem lidar melhor com vários desafios, como mudanças nas condições de iluminação, diversos designs de placa e veículos em movimento, resultando em um reconhecimento de placas mais confiável e eficaz.

Fig 3. Comparando o Ultralytics YOLO11 com versões anteriores.

Se você está se perguntando como pode usar o YOLO11 em seu projeto de ANPR, é muito simples. As variações de modelos YOLO11 que suportam detecção de objetos foram pré-treinadas no dataset COCO. Esses modelos podem detectar 80 tipos diferentes de objetos, como carros, bicicletas e animais. Embora as placas de veículos não façam parte dos rótulos pré-treinados, os usuários podem facilmente treinar o YOLO11 de forma personalizada para detectar placas usando o pacote Python da Ultralytics ou a plataforma no-code Ultralytics HUB. Os usuários têm a flexibilidade de criar ou usar um dataset de placas dedicado para tornar seu modelo YOLO11 treinado personalizado perfeito para ANPR.

Link to this sectionAplicações de um sistema de ANPR integrado com YOLO11#

A seguir, veremos as várias aplicações onde o ANPR e o YOLO11 podem ser usados juntos para melhorar a eficiência e a precisão.

Link to this sectionDetecção de placas em tempo real para tráfego e aplicação da lei#

Em cidades movimentadas com carros circulando por cruzamentos e rodovias, agentes de trânsito precisam gerenciar o congestionamento, monitorar violações de trânsito e garantir a segurança pública. O ANPR, quando integrado ao YOLO11, pode fazer uma grande diferença nesses esforços. Ao reconhecer as placas dos veículos instantaneamente, as autoridades podem ficar de olho no fluxo de tráfego, aplicar as leis de trânsito e identificar rapidamente veículos envolvidos em violações. Por exemplo, veículos em excesso de velocidade podem ser facilmente interceptados.

Fig 4. Detectando e identificando veículos em excesso de velocidade com ANPR e YOLO11.

No geral, o ANPR com YOLO11 pode automatizar tarefas que, de outra forma, exigiriam esforço manual. Ele pode detectar veículos que passam por semáforos vermelhos e gerenciar operações de cabines de pedágio. Automatizar essas tarefas não apenas torna o sistema mais eficiente, mas também reduz a carga de trabalho dos agentes de trânsito, permitindo que eles se concentrem em responsabilidades mais críticas.

Na aplicação da lei, o YOLO11 e o ANPR podem trabalhar juntos para rastrear veículos roubados e identificar aqueles sinalizados por atividades suspeitas. A detecção em tempo real do YOLO11 garante que os veículos sejam reconhecidos de forma rápida e confiável, mesmo quando estão se movendo rápido. Essa capacidade ajuda a melhorar a segurança pública ao permitir tempos de resposta mais rápidos e uma aplicação da lei mais eficaz.

Link to this sectionSistemas de gestão de estacionamento de ponta e ANPR#

Outra aplicação empolgante do ANPR com YOLO11 é em sistemas de gestão de estacionamento. Por exemplo, ele permite estacionamentos onde os carros podem entrar, estacionar e sair sem que o motorista precise interagir com uma máquina de bilhetes ou um atendente. Sistemas de estacionamento ANPR que usam YOLO11 podem ajudar no bom fluxo de entrada, saída e processos de pagamento.

Fig 5. Gerenciando estacionamentos usando modelos Ultralytics YOLO.

Quando um veículo se aproxima do portão de entrada, o ANPR, impulsionado pelo YOLO11, reconhece a placa instantaneamente. O sistema então cruza a placa com um banco de dados pré-registrado ou cria uma nova entrada. O portão abre automaticamente, permitindo a entrada do veículo sem etapas manuais. O processo acelerado cria uma experiência mais conveniente para os motoristas.

Da mesma forma, quando um veículo sai, o sistema detecta a placa novamente usando o YOLO11. Ele calcula o tempo de estacionamento e pode processar o pagamento automaticamente se o veículo estiver registrado com uma forma de pagamento. A automação remove a necessidade de máquinas de pagamento físicas e ajuda a reduzir o congestionamento nas saídas, especialmente em horários de pico.

A capacidade do YOLO11 de detectar placas de veículos com precisão e em tempo real é fundamental para fazer com que esses sistemas de gestão de estacionamento funcionem sem problemas. Além de tornar o estacionamento mais conveniente, ajuda os operadores a gerenciar melhor suas instalações, reduzindo o trabalho manual e melhorando o fluxo de tráfego.

Link to this sectionUsando ANPR para controle de acesso em sistemas de segurança#

Sistemas de ANPR integrados com o YOLO11 são uma ótima opção para gerenciar acesso a áreas seguras, como condomínios fechados, campi corporativos e instalações restritas. Ao usar o ANPR, esses locais podem automatizar sua segurança, garantindo que apenas veículos autorizados tenham permissão de entrada.

Fig 6. Usando ANPR para permitir veículos autorizados em áreas seguras.

É semelhante ao sistema de gestão de estacionamento que discutimos anteriormente. A principal diferença é que o sistema verifica a placa contra uma lista de veículos autorizados. Se o veículo for aprovado, o portão abre automaticamente, proporcionando acesso perfeito para residentes, funcionários ou visitantes, enquanto mantém a segurança rigorosa. O processo reduz a necessidade de verificações manuais, permitindo que a equipe de segurança se concentre em tarefas mais importantes.

Link to this sectionSistemas de ANPR são uma parte fundamental do futuro das cidades inteligentes#

Agora que passamos por algumas aplicações de sistemas de ANPR integrados com o YOLO11, vamos pensar sobre essas aplicações de uma maneira mais conectada.

Além de serem aplicações individuais, suas vantagens realmente brilham quando são vistas como uma solução coesa na infraestrutura urbana para cidades inteligentes. À medida que as cidades evoluem para se tornarem mais inteligentes, os sistemas de ANPR estão desempenhando um papel cada vez mais importante na infraestrutura urbana.

Por exemplo, considere uma cidade inteligente onde o ANPR é usado para gerenciar tráfego, conceder acesso seguro e simplificar o estacionamento de uma só vez. Um veículo poderia ser detectado assim que entra na cidade, rastreado por toda ela, ter acesso concedido a áreas restritas e permissão para estacionar sem qualquer intervenção manual.

Ao integrar modelos de visão computacional como o YOLO11, o ANPR pode ajudar a gerenciar o tráfego com mais eficiência, aumentar a segurança e melhorar a segurança pública. Esses sistemas permitem monitoramento em tempo real, processos automatizados e tomada de decisão baseada em dados, essenciais para gerenciar as crescentes complexidades das cidades modernas.

Link to this sectionUm olhar final sobre o ANPR com YOLO11#

Sistemas de ANPR estão se tornando essenciais para a infraestrutura urbana moderna, e integrar modelos de visão computacional como o YOLO11 os torna ainda mais benéficos. O YOLO11 aprimora o ANPR com melhor precisão, processamento em tempo real e adaptabilidade, tornando-o ideal para aplicações de cidades inteligentes. Desde a melhoria da gestão de tráfego e aplicação da lei até a automação de estacionamento e acesso seguro, sistemas de ANPR impulsionados pelo YOLO11 trazem eficiência e confiabilidade. À medida que as cidades se tornam mais inteligentes, essas soluções provavelmente desempenharão um papel crucial na transformação da vida urbana e no suporte ao futuro da infraestrutura inteligente.

Para saber mais sobre IA, visite nosso repositório no GitHub e interaja com nossa comunidade. Explore aplicações de IA em manufatura e agricultura em nossas páginas de soluções. 🚀