21 de outubro de 2024
Veja comoYOLO11 Ultralytics YOLO11 pode ser utilizado em sistemas de reconhecimento automático de matrículas (ANPR) para deteção em tempo real e ajuda na gestão do tráfego e do estacionamento.
.webp)
À medida que a adoção da IA aumenta, as inovações que dependem do Reconhecimento Automático de Matrículas (ANPR) estão a tornar-se mais comuns. Os sistemas ANPR utilizam a visão por computador para ler automaticamente as matrículas dos veículos e para os identificar e track. Recentemente, os avanços na IA tornaram possível integrar rapidamente esses sistemas na nossa vida quotidiana. De facto, é possível que já tenha visto sistemas ANPR em portagens ou durante controlos policiais de veículos em excesso de velocidade.
O reconhecimento de placas de veículos está se tornando cada vez mais importante, e espera-se que o mercado global de sistemas ANPR atinja 4,8 bilhões de dólares até 2027. Um fator nesse crescimento são os benefícios que o ANPR oferece a aplicações como gerenciamento de tráfego e segurança.
Para obter os melhores resultados das aplicações ANPR, é importante compreender as técnicas de IA subjacentes a estas soluções. Por exemplo, a deteção de objectos, uma tarefa de visão por computador, é essencial para reconhecer e seguir veículos com precisão, e é aqui que modelos de visão por computador como o Ultralytics YOLO11 do Ultralytics. Neste artigo, veremos como funciona o ANPR e como o YOLO11em particular, pode melhorar as soluções ANPR.
.png)
O Reconhecimento Automático de Placas de Veículos envolve algumas etapas importantes para identificar de forma rápida e precisa as placas de veículos. Vamos detalhar como essas etapas funcionam juntas para tornar o processo eficiente:
.png)
Os sistemas ANPR podem muitas vezes enfrentar desafios como iluminação insuficiente, diferentes designs de placas e condições ambientais difíceis. YOLO11 pode ajudar a resolver estes problemas, aumentando a precisão e a velocidade de deteção, mesmo em condições difíceis. Com modelos como o YOLO11, o ANPR pode funcionar de forma mais fiável, facilitando a identificação de matrículas em tempo real, quer seja de dia ou de noite, ou com mau tempo. Na próxima secção, veremos mais detalhadamente como pode utilizar YOLO11 para obter estas melhorias.
YOLO11 Ultralytics YOLO11 foi apresentado pela primeira vez no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24). Trata-se de um modelo de deteção de objectos que suporta aplicações em tempo real, YOLO11 é uma óptima opção para melhorar inovações como os sistemas ANPR. YOLO11 também é adequado para aplicações de IA de ponta . Isto permite que as soluções ANPR integradas com o YOLO11 funcionem eficazmente, mesmo quando uma ligação de rede não é fiável. Como resultado, os sistemas ANPR podem funcionar sem problemas em locais remotos ou áreas com conetividade limitada.
YOLO11 também traz melhorias de eficiência em comparação com os seus antecessores. Por exemplo, o YOLO11m atinge uma precisão média superior (mAP) no conjunto de dadosCOCO com menos 22% de parâmetros em comparação com o YOLOv8m. Com o YOLO11, os sistemas ANPR podem lidar melhor com vários desafios, como a alteração das condições de iluminação, diversos designs de matrículas e veículos em movimento, resultando num reconhecimento de matrículas mais fiável e eficaz.
Se está a pensar como pode utilizar YOLO11 no seu projeto ANPR, é muito simples. As variações dos modelos YOLO11 que suportam a deteção de objectos foram pré-treinadas no conjunto de dadosCOCO . Estes modelos podem detect 80 tipos diferentes de objectos, como carros, bicicletas e animais. Embora as matrículas não façam parte das etiquetas pré-treinadas, os utilizadores podem facilmente treinar YOLO11 de forma personalizada para detect matrículas utilizando o pacoteUltralytics Python ou a plataforma Ultralytics HUB sem código. Os utilizadores têm a flexibilidade de criar ou utilizar um conjunto de dados de matrículas dedicado para tornar o seu modelo YOLO11 treinado à medida perfeito para ANPR.
Em seguida, analisaremos as várias aplicações em que o ANPR e o YOLO11 podem ser utilizados em conjunto para melhorar a eficiência e a precisão.
Em cidades movimentadas, com carros a circular em cruzamentos e auto-estradas, os agentes de trânsito têm de gerir o congestionamento, controlar as infracções de trânsito e garantir a segurança pública. O ANPR, quando integrado no YOLO11, pode fazer uma grande diferença nestes esforços. Ao reconhecer instantaneamente as matrículas dos veículos, as autoridades podem vigiar o fluxo de tráfego, fazer cumprir as leis de trânsito e identificar rapidamente os veículos envolvidos em infracções. Por exemplo, os veículos em excesso de velocidade podem ser facilmente assinalados.
Em geral, o ANPR com YOLO11 pode automatizar tarefas que, de outra forma, exigiriam esforço manual. Pode detect veículos que passam sinais vermelhos e gerir as operações das cabinas de portagem. A automatização destas tarefas não só torna o sistema mais eficiente, como também reduz a carga de trabalho dos agentes de trânsito, permitindo-lhes concentrarem-se em responsabilidades mais importantes.
Na aplicação da lei, YOLO11 e o ANPR podem trabalhar em conjunto para track veículos roubados e identificar os que foram assinalados por actividades suspeitas. A deteção em tempo real do YOLO11 garante que os veículos são reconhecidos de forma rápida e fiável, mesmo quando se deslocam rapidamente. Esta capacidade ajuda a melhorar a segurança pública, permitindo tempos de resposta mais rápidos e uma aplicação mais eficaz da lei.
Outra aplicação interessante do ANPR com YOLO11 é em sistemas de gestão de estacionamento. Por exemplo, permite parques de estacionamento onde os carros podem entrar, estacionar e sair sem que o condutor tenha de interagir com uma máquina de bilhetes ou um funcionário. Os sistemas de estacionamento ANPR que utilizam YOLO11 podem ajudar a facilitar os processos de entrada, saída e pagamento.
Quando um veículo se aproxima do portão de entrada, o ANPR alimentado pelo YOLO11 reconhece a matrícula instantaneamente. O sistema cruza então a matrícula com uma base de dados pré-registada ou cria uma nova entrada. O portão abre-se automaticamente, deixando o veículo entrar sem qualquer passo manual. O processo acelerado cria uma experiência mais cómoda para os condutores.
Da mesma forma, quando um veículo sai, o sistema detecta novamente a matrícula utilizando YOLO11. Calcula o tempo de estacionamento e pode processar automaticamente o pagamento se o veículo estiver registado com um método de pagamento. A automatização elimina a necessidade de máquinas de pagamento físicas e ajuda a reduzir o congestionamento nas saídas, especialmente durante as horas de maior movimento.
A capacidade do YOLO11 para detect matrículas com precisão e em tempo real é fundamental para que estes sistemas de gestão de estacionamento funcionem sem problemas. Além de tornar o estacionamento mais cómodo, ajuda os operadores a gerir melhor as suas instalações, reduzindo o trabalho manual e melhorando o fluxo de tráfego.
Os sistemas ANPR integrados com o YOLO11 são uma óptima opção para gerir o acesso a áreas seguras, como condomínios fechados, campus de empresas e instalações restritas. Ao utilizar o ANPR, estes locais podem automatizar a sua segurança, certificando-se de que apenas os veículos autorizados podem entrar.
É semelhante ao sistema de gestão de estacionamento que discutimos anteriormente. A principal diferença é que o sistema verifica a placa em relação a uma lista de veículos autorizados. Se o veículo for aprovado, o portão abre automaticamente, proporcionando acesso contínuo para residentes, funcionários ou visitantes, mantendo a segurança reforçada. O processo reduz a necessidade de verificações manuais, permitindo que a equipe de segurança se concentre em tarefas mais importantes.
Agora que passámos em revista algumas aplicações de sistemas ANPR integrados com o YOLO11, vamos pensar nestas aplicações de uma forma mais interligada.
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 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 o tráfego, conceder acesso seguro e otimizar o estacionamento, tudo de uma vez. Um veículo pode ser detectado ao entrar na cidade, rastreado por toda parte, ter acesso a áreas restritas e ser autorizado a estacionar sem qualquer intervenção manual.
Ao integrar modelos de visão por computador como o YOLO11, o ANPR pode ajudar a gerir o tráfego de forma mais eficiente, aumentar a segurança e melhorar a segurança pública. Estes sistemas permitem a monitorização em tempo real, processos automatizados e tomadas de decisão baseadas em dados, essenciais para gerir as crescentes complexidades das cidades modernas.
Os sistemas ANPR estão a tornar-se essenciais para as infra-estruturas urbanas modernas, e a integração de modelos de visão por computador como o YOLO11 torna-os ainda mais vantajosos. YOLO11 melhora o ANPR com maior precisão, processamento em tempo real e adaptabilidade, tornando-o ideal para aplicações em cidades inteligentes. Desde a melhoria da gestão do tráfego e da aplicação da lei até à automatização do estacionamento e do acesso seguro, os sistemas ANPR YOLO11 proporcionam eficiência e fiabilidade. À medida que as cidades se tornam mais inteligentes, estas soluções irão provavelmente desempenhar um papel crucial na transformação da vida urbana e no apoio ao futuro das infra-estruturas inteligentes.
Para saber mais sobre IA, visite nosso repositório GitHub e interaja com nossa comunidade. Explore as aplicações de IA em manufatura e agricultura em nossas páginas de soluções. 🚀
