Usar o Ultralytics YOLO11 para reconhecimento automático de matrículas

À medida que a adoção de IA aumenta, inovações que dependem do Reconhecimento Automático de Matículas (ANPR) estão se tornando mais comuns. Os sistemas ANPR usam visão computacional para ler automaticamente as placas de veículos e identificá-los e rastreá-los. Recentemente, os avanços em IA tornaram possível integrar rapidamente esses sistemas em nossa vida diária. De fato, você pode ter visto sistemas ANPR em praças de pedágio ou durante blitzes policiais para 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 para esse crescimento são os benefícios que o ANPR oferece para aplicações como gerenciamento de tráfego e segurança.

Para obter os melhores resultados em 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 aqui que entram modelos de visão computacional como o Ultralytics YOLO11. Neste artigo, veremos como o ANPR funciona e como o YOLO11, em particular, pode melhorar as soluções ANPR.

Fig. 1. Usando modelos Ultralytics YOLO para ANPR.

Como 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, as câmeras são usadas para capturar imagens de veículos. Essas câmeras podem ser instaladas em locais fixos, como praças de pedágio, ou montadas em viaturas policiais para garantir mobilidade.
• Detecção de Placas de Veículos: Em seguida, modelos de detecção de objetos como o YOLO11 são usados para localizar a placa do veículo 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 do uso de modelos Ultralytics YOLO para detecção de placas de veículos.

Os sistemas ANPR frequentemente enfrentam desafios como iluminação precária, diferentes designs de placas e condições ambientais severas. O YOLO11 pode ajudar a resolver esses problemas aumentando a precisão e a velocidade de detecção, mesmo em condições difíceis. Com modelos como o YOLO11, o ANPR pode funcionar de forma mais confiável, facilitando a identificação de placas em tempo real, seja de dia, de noite ou sob mau tempo. Na próxima seção, examinaremos mais de perto como você pode usar o YOLO11 para obter essas melhorias.

Como 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). Sendo um modelo de detecção de objetos que suporta aplicações em tempo real, o YOLO11 é uma excelente opção para aprimorar inovações como sistemas ANPR. O YOLO11 também é adequado para aplicações de edge AI. Isso permite que soluções ANPR integradas ao YOLO11 operem de forma eficaz, mesmo quando a conexão de rede for instável. Como resultado, os sistemas ANPR podem funcionar perfeitamente em locais remotos ou áreas com conectividade limitada.

O YOLO11 também traz melhorias de eficiência em comparação com seus antecessores. Por exemplo, o YOLO11m alcança uma precisão média máxima (mAP) maior no conjunto de dados COCO com 22% a menos de parâmetros em comparação com o YOLOv8m. Com o YOLO11, os sistemas ANPR podem lidar melhor com diversos desafios, como condições de iluminação variáveis, diferentes designs de placas 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 no seu projeto ANPR, o processo é muito simples. As variações de modelos do YOLO11 que suportam 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 de veículos não façam parte dos rótulos pré-treinados, os usuários podem treinar facilmente o YOLO11 de forma personalizada para detectar placas usando o pacote Python da Ultralytics ou a plataforma sem código Ultralytics HUB. Os usuários têm a flexibilidade de criar ou usar um conjunto de dados dedicado de placas de veículos para tornar seu modelo do YOLO11 treinado de forma personalizada perfeito para ANPR.

Aplicações 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.

Detecção de placas em tempo real para tráfego e aplicação da lei#

Em cidades movimentadas, com carros circulando por cruzamentos e rodovias, os agentes de trânsito precisam gerenciar o congestionamento, monitorar infrações e garantir a segurança pública. O ANPR, quando integrado ao YOLO11, pode fazer uma enorme diferença nesses esforços. Ao reconhecer as placas dos veículos instantaneamente, as autoridades podem monitorar o fluxo de tráfego, aplicar as leis de trânsito e identificar rapidamente os veículos envolvidos em infrações. 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 em alta velocidade. Essa capacidade ajuda a melhorar a segurança pública, permitindo tempos de resposta mais rápidos e uma aplicação da lei mais eficaz.

Sistemas de gestão de estacionamento de ponta e ANPR#

Outra aplicação empolgante do ANPR com o YOLO11 está nos sistemas de gerenciamento de estacionamento. Por exemplo, ele viabiliza estacionamentos onde os carros podem entrar, estacionar e sair sem que o motorista precise interagir com uma máquina de tickets ou um atendente. Sistemas de estacionamento ANPR que utilizam o YOLO11 ajudam a proporcionar processos fluidos de entrada, saída e 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 cadastrado com um método de pagamento. Essa automação elimina a necessidade de máquinas de pagamento físicas e ajuda a reduzir congestionamentos 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 garantir o funcionamento fluido desses sistemas de gerenciamento de estacionamento. Além de tornar o estacionamento mais conveniente, isso ajuda os operadores a gerenciarem melhor suas instalações, reduzindo o trabalho manual e melhorando o fluxo de tráfego.

Usando ANPR para controle de acesso em sistemas de segurança#

Os sistemas ANPR integrados ao YOLO11 são uma excelente opção para gerenciar o 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 a entrada permitida.

Fig. 6. Usando 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 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.

Sistemas 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 funcionarem como aplicações individuais, suas vantagens realmente se destacam 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 desempenham 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 ao mesmo tempo. Um veículo pode ser detectado ao entrar na cidade, rastreado durante todo o percurso, ter seu acesso concedido a áreas restritas e permissão para estacionar sem nenhuma intervenção manual.

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

Um 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 participe da nossa comunidade. Explore aplicações de IA em manufatura e agricultura em nossas páginas de soluções. 🚀