Utilizar Ultralytics YOLO11 para reconhecimento automático de matrículas

À medida que a adoção da IA aumenta, as inovações que dependem do Reconhecimento Automático de Placas de Veículos (ANPR) estão se tornando mais comuns. Os sistemas ANPR usam visão computacional para ler automaticamente placas de veículos e identificá-los e rastreá-los. Os avanços recentes em IA possibilitaram integrar rapidamente esses sistemas ao nosso cotidiano. Na verdade, talvez você já tenha visto sistemas ANPR em pedágios ou durante operações policiais para identificar 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 alcance 4,8 bilhões de dólares até 2027. Um dos fatores que impulsionam esse crescimento são os benefícios que o ANPR oferece a aplicações como gerenciamento de tráfego e segurança.

Para obter os melhores resultados com aplicações 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 aí que entram modelos de visão computacional como o Ultralytics YOLO11. Neste artigo, vamos analisar como o ANPR funciona e como o YOLO11, em particular, pode aprimorar soluções ANPR.

Fig. 1. Uso dos modelos Ultralytics YOLO para ANPR.

Como funciona o reconhecimento automático de placas de veículos#

O reconhecimento automático de placas de veículos envolve algumas etapas importantes para identificar placas de veículos com rapidez e precisão. Vamos entender como essas etapas funcionam em conjunto para tornar o processo eficiente:

• Captura de imagens: Primeiro, são usadas câmeras para capturar imagens dos veículos. Essas câmeras podem ser instaladas em locais fixos, como pedágios, ou montadas em viaturas policiais para permitir mobilidade.
• Detecção de placas: Em seguida, modelos de detecção de objetos, como o YOLO11, são usados para localizar a placa na imagem.
• Reconhecimento óptico de caracteres (OCR): Em seguida, o OCR é usado para ler os caracteres da placa (na imagem) e convertê-los em texto legível por máquina.
• Consulta ao banco de dados: Em seguida, os dados de texto são comparados com um banco de dados para confirmar as informações da placa.

Fig. 2. Exemplo de uso dos modelos Ultralytics YOLO para detectar placas de veículos.

Os sistemas ANPR frequentemente enfrentam desafios como iluminação fraca, diferentes designs de placas e condições ambientais adversas. O YOLO11 pode ajudar a lidar com esses desafios, aumentando a precisão e a velocidade da detecção mesmo em condições difíceis. Com modelos como o YOLO11, o ANPR pode funcionar com mais confiabilidade, facilitando a identificação de placas em tempo real, seja de dia ou à noite, ou com mau tempo. Na próxima seção, veremos com mais detalhes como você pode usar o YOLO11 para obter essas melhorias.

Como o YOLO11 pode aprimorar um sistema ANPR#

O Ultralytics YOLO11 foi apresentado pela primeira vez no evento híbrido anual da Ultralytics, o YOLO Vision 2024 (YV24). Como modelo de detecção de objetos compatível com aplicações em tempo real, o YOLO11 é uma ótima opção para aprimorar inovações como os sistemas ANPR. O YOLO11 também é adequado para aplicações de IA de borda. Isso permite que soluções ANPR integradas ao YOLO11 funcionem com eficiência, mesmo quando a conexão de rede não é confiável. Assim, os sistemas ANPR podem continuar funcionando em locais remotos ou áreas com conectividade limitada.

O YOLO11 também traz melhorias de eficiência em relação aos seus antecessores. Por exemplo, o YOLO11m alcança uma precisão média (mAP) mais alta no conjunto de dados COCO, com 22% menos parâmetros em comparação com o YOLOv8m. Com o YOLO11, os sistemas ANPR conseguem lidar melhor com vários desafios, como mudanças nas condições de iluminação, diversidade de designs de placas e veículos em movimento, resultando em um reconhecimento de placas mais confiável e eficaz.

Fig. 3. Comparação do Ultralytics YOLO11 com versões anteriores.

Se você está se perguntando como usar o YOLO11 no seu projeto ANPR, é muito simples. As variações dos modelos YOLO11 compatíveis com detecção de objetos foram pré-treinadas no conjunto de dados COCO. Esses modelos conseguem detectar 80 tipos diferentes de objetos, como carros, bicicletas e animais. Embora as placas não façam parte dos rótulos pré-treinados, os usuários podem treinar facilmente o YOLO11 para detectar placas usando o pacote Python da Ultralytics ou a Ultralytics Platform, que não exige programação (anteriormente Ultralytics HUB). Os usuários podem criar seu próprio conjunto de dados ou começar com um conjunto público, como o conjunto de dados de placas de veículos, para adaptar o modelo YOLO11 personalizado às necessidades do ANPR.

Aplicações de um sistema ANPR integrado ao YOLO11#

Em seguida, veremos as várias aplicações em que ANPR e YOLO11 podem ser usados em conjunto para melhorar a eficiência e a precisão.

Detecção de placas em tempo real para o trânsito e a aplicação da lei#

Em cidades movimentadas, onde carros circulam por cruzamentos e rodovias, os agentes de trânsito precisam controlar congestionamentos, monitorar infrações e garantir a segurança pública. Quando integrado ao YOLO11, o ANPR pode fazer uma grande diferença nesses esforços. Ao reconhecer placas de veículos instantaneamente, as autoridades podem monitorar o fluxo do tráfego, fiscalizar as leis de trânsito e identificar rapidamente veículos envolvidos em infrações. Por exemplo, é fácil sinalizar veículos em excesso de velocidade.

Fig. 4. Detecção e identificação de veículos em excesso de velocidade com ANPR e YOLO11.

De modo geral, o ANPR com YOLO11 pode automatizar tarefas que, de outra forma, exigiriam trabalho manual. Ele pode detectar veículos que avançam o sinal vermelho e gerenciar operações de pedágio. Automatizar essas tarefas não só torna o sistema mais eficiente como também reduz a carga de trabalho dos agentes de trânsito, permitindo que se concentrem em responsabilidades mais importantes.

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 com rapidez e confiabilidade, mesmo quando estão em alta velocidade. Esse recurso ajuda a melhorar a segurança pública ao permitir tempos de resposta menores e uma aplicação da lei mais eficaz.

Sistemas de gerenciamento de estacionamento de ponta e ANPR#

Outra aplicação interessante do ANPR com YOLO11 está nos sistemas de gerenciamento de estacionamento. Por exemplo, essa combinação permite que carros entrem, estacionem e saiam de estacionamentos sem que o motorista precise interagir com uma máquina de tíquetes ou com um atendente. Os sistemas ANPR para estacionamento que usam YOLO11 podem facilitar os processos de entrada, saída e pagamento.

Fig. 5. Gerenciamento de estacionamentos usando modelos Ultralytics YOLO.

Quando um veículo se aproxima da cancela de entrada, o ANPR com YOLO11 reconhece a placa instantaneamente. Em seguida, o sistema verifica a placa em um banco de dados pré-registrado ou cria um novo registro. A cancela abre automaticamente, permitindo a entrada do veículo sem nenhuma etapa manual. Esse processo mais rápido proporciona uma experiência mais conveniente para os motoristas.

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

A capacidade do YOLO11 de detetar matrículas com precisão e em tempo real é fundamental para o bom funcionamento destes sistemas de gestão de estacionamento. Além de tornar o estacionamento mais conveniente, ajuda os operadores a gerir melhor as instalações, reduzindo o trabalho manual e melhorando o fluxo de trânsito.

Uso do ANPR para controle de acesso em sistemas de segurança#

Os sistemas ANPR integrados com o YOLO11 são uma excelente opção para gerir o acesso a áreas seguras, como comunidades residenciais fechadas, campus empresariais e instalações de acesso restrito. Com o ANPR, estes locais podem automatizar a segurança e garantir que apenas veículos autorizados entrem.

Fig. 6. Uso do ANPR para permitir a entrada de 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 matrícula em relação a uma lista de veículos autorizados. Se o veículo for aprovado, o portão abre automaticamente, proporcionando acesso rápido a moradores, funcionários ou visitantes e mantendo a segurança reforçada. O processo reduz a necessidade de verificações manuais, permitindo que a equipa de segurança se concentre em tarefas mais importantes.

Os sistemas ANPR são uma parte essencial do futuro das cidades inteligentes#

Agora que vimos algumas aplicações de sistemas ANPR integrados ao YOLO11, vamos pensar em como essas aplicações podem se conectar.

Para além de serem aplicações individuais, as vantagens destas soluções destacam-se quando são consideradas como uma solução integrada para as infraestruturas urbanas das cidades inteligentes. À medida que as cidades evoluem para se tornarem mais inteligentes, os sistemas ANPR desempenham um papel cada vez mais importante nas infraestruturas urbanas.

Por exemplo, imagine uma cidade inteligente onde o ANPR é usado para gerenciar o trânsito, conceder acesso seguro e agilizar o estacionamento, tudo ao mesmo tempo. Um veículo poderia ser detectado ao entrar na cidade, rastreado durante todo o percurso, autorizado a acessar áreas restritas e liberado para estacionar sem qualquer intervenção manual.

Ao integrar modelos de visão computacional como o YOLO11, o ANPR pode ajudar a gerir o trânsito com mais eficiência, reforçar 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 a crescente complexidade das cidades modernas.

Uma análise final do ANPR com YOLO11#

Os sistemas ANPR estão se tornando essenciais para a infraestrutura urbana moderna, e integrá-los a modelos de visão computacional como o YOLO11 os torna ainda mais úteis. O YOLO11 aprimora o ANPR com maior precisão, processamento em tempo real e adaptabilidade, tornando-o ideal para aplicações em cidades inteligentes. Da melhoria da gestão do trânsito e da aplicação da lei à automação do estacionamento e do acesso seguro, os sistemas ANPR com YOLO11 oferecem eficiência e confiabilidade. À medida que as cidades se tornam mais inteligentes, essas soluções provavelmente terão um papel crucial na transformação da vida urbana e no apoio ao futuro da infraestrutura inteligente.

Para saber mais sobre IA, visita o nosso repositório do GitHub e participa na nossa comunidade. Explora aplicações de IA na indústria transformadora e na agricultura nas nossas páginas de soluções.