10 февраля 2025 г.
Узнайте, как создать систему ANPR с использованием Ultralytics YOLO11 для обнаружения номерных знаков и GPT-4o Mini для распознавания текста с точностью в реальном времени.
Поиск парковки на переполненной стоянке, ожидание в длинных очередях на пунктах оплаты или застревание на пунктах досмотра — все это вызывает разочарование. Ручная проверка транспортных средств часто занимает слишком много времени и приводит к задержкам. Без автоматизированной системы эффективное отслеживание автомобилей может быть затруднено.
Компьютерное зрение изменило это, обеспечив распознавание номерных знаков в режиме реального времени по изображениям и видеопотокам. Например, Ultralytics YOLO11 - это передовая модель компьютерного зрения, которая может выполнять сложные задачи Vision AI, такие как обнаружение объектов, классификация и отслеживание. Используя возможности обнаружения объектов YOLO11, вы можете точно обнаруживать номерные знаки транспортных средств на изображениях.
Ultralytics предлагает исчерпывающие блокноты Google Colab, которые упрощают процесс создания решений на базе Vision AI. Эти блокноты поставляются с предварительно настроенными основными зависимостями, моделями и пошаговыми руководствами, что упрощает создание приложений. В частности, существует специальный блокнот Colab для ANPR (автоматическое распознавание номерных знаков).
В этой статье, используя блокнот Ultralytics Colab для ANPR, мы рассмотрим, как создать решение ANPR с использованием Ultralytics YOLO11 для обнаружения номерных знаков и GPT-4o Mini для распознавания текста.
Отслеживание автомобилей вручную — трудоемкий процесс, подверженный ошибкам, особенно когда они быстро движутся. Проверка каждого номерного знака по отдельности замедляет процесс и увеличивает риск ошибок. Автоматическое распознавание номерных знаков решает эту проблему, используя компьютерное зрение для мгновенного обнаружения и считывания номерных знаков, что делает мониторинг дорожного движения и безопасность более эффективными.
Системы ANPR могут захватывать изображения или видео проезжающих транспортных средств и использовать обнаружение объектов в реальном времени для идентификации номерных знаков. После обнаружения используется распознавание текста для автоматического извлечения номеров знаков без участия человека. Этот процесс обеспечивает точные результаты, даже когда транспортные средства движутся быстро или номерные знаки частично закрыты.
В настоящее время пункты взимания платы за проезд, парковочные системы и правоохранительные органы все чаще полагаются на ANPR для эффективного отслеживания транспортных средств.
Хотя ANPR быстро идентифицирует транспортные средства, все еще существуют некоторые проблемы, которые могут повлиять на его точность. Вот несколько распространенных проблем, которые могут повлиять на то, насколько хорошо работает система ANPR:
Ultralytics YOLO11 может сделать системы ANPR быстрее и точнее. Он быстро обрабатывает изображения, сохраняя при этом точность, и не требует большой вычислительной мощности, поэтому хорошо работает на всем, от небольших камер видеонаблюдения до крупных транспортных систем.
Благодаря индивидуальному обучению, YOLO11 можно адаптировать к различным стилям номерных знаков, языкам и условиям окружающей среды. Она также хорошо работает в сложных условиях, таких как слабая освещенность, размытость в движении и сложные углы, при индивидуальном обучении на специализированных наборах данных, включающих изображения этих условий.
Мгновенно идентифицируя транспортные средства, YOLO11 помогает сократить время ожидания, предотвратить ошибки и повысить безопасность. Это делает транспортный поток более плавным, а операции более эффективными на парковках, пунктах взимания платы за проезд и в системах наблюдения.
Далее, давайте рассмотрим, как создать систему ANPR с использованием YOLO11 и GPT-4o Mini.
Мы изучим код, представленный в блокноте Ultralytics Google Collab для этого решения. Блокнот Google Colab прост в использовании, и любой может создать систему ANPR без сложной настройки.
Для начала нам необходимо установить наши зависимости, то есть основные пакеты программного обеспечения и библиотеки, необходимые для работы нашей системы ANPR. Эти зависимости помогают в таких задачах, как обнаружение объектов, обработка изображений и распознавание текста, обеспечивая эффективную работу системы.
Мы установим пакет Ultralytics Python, как показано ниже. Этот пакет предоставляет предварительно обученные модели, утилиты для обучения и инструменты для логического вывода, что упрощает обнаружение и распознавание номерных знаков с помощью YOLO11.
Нам также потребуется настроить GPT-4o Mini для распознавания текста. Поскольку GPT-4o Mini отвечает за извлечение текста с обнаруженных номерных знаков, нам нужен ключ API для доступа к модели. Этот ключ можно получить, зарегистрировавшись в API GPT-4o Mini. Получив ключ, его можно добавить в блокнот Colab, чтобы система могла подключаться к модели и обрабатывать номера знаков.
После завершения настройки и запуска кода установки YOLO11 будет готова к обнаружению номерных знаков, а GPT-4o Mini будет настроена для распознавания и извлечения текста из них.
Теперь, когда все настроено, следующим шагом будет загрузка модели YOLO11, которая была специально обучена для обнаружения номерных знаков. Поскольку эта модель уже обучена обнаруживать номерные знаки, нет необходимости обучать ее с нуля. Вы можете просто скачать ее, и она готова к использованию. Это экономит время и значительно упрощает процесс.
Кроме того, мы загрузим образец видеофайла для тестирования системы. При желании вы также можете запустить это решение на своих собственных видеофайлах. После загрузки модель и видеофайлы будут сохранены в среде блокнота.
Как только модель будет готова, пришло время увидеть ее в действии. Сначала загружается видеофайл для обработки, чтобы убедиться, что он открывается правильно. Затем настраивается модуль записи видео для сохранения обработанного видеоматериала с обнаруженными номерными знаками, сохраняя при этом исходный размер и частоту кадров. Наконец, модель загружается для обнаружения номерных знаков в каждом кадре видео.
После загрузки модели система начнет анализировать каждый кадр видео для обнаружения номерных знаков. При обнаружении номерного знака система выделяет его рамкой, что облегчает идентификацию. Этот шаг гарантирует, что будут захвачены только релевантные детали, отфильтровывая ненужную фоновую информацию. После успешного обнаружения номерных знаков видео готово к следующему этапу.
После обнаружения номерного знака следующим шагом является распознавание текста. Система сначала вырезает номерной знак из видеокадра, удаляя любые отвлекающие факторы для четкого обзора. Это помогает сосредоточиться на деталях, повышая точность даже в сложных условиях, таких как слабое освещение или размытие в движении.
После выделения номерного знака GPT-4o Mini анализирует изображение, извлекает цифры и буквы и преобразует их в читаемый текст. Распознанный текст затем добавляется обратно в видео, маркируя каждый обнаруженный номерной знак в режиме реального времени.
После выполнения этих шагов система ANPR становится полностью функциональной и готовой к легкому распознаванию номерных знаков.
На последнем этапе обработанное видео сохраняется, а временные файлы удаляются, что обеспечивает бесперебойную работу.
Каждый обработанный кадр, с обнаруженными номерами и распознанным текстом, записывается в итоговое выходное видео. После обработки всех кадров система закрывает видеофайл, из которого она читала, освобождая память и системные ресурсы. Она также завершает и сохраняет выходное видео, подготавливая его к воспроизведению или дальнейшему анализу.
После создания и тестирования решения ANPR следующим шагом является его развертывание в реальных условиях. Большинство моделей Vision AI зависят от высокопроизводительных вычислений, но Ultralytics YOLO11 оптимизирована для Edge AI. Она может эффективно работать на небольших устройствах, не требуя облачной обработки или постоянного подключения к Интернету, что делает ее отличным выбором для мест с ограниченными ресурсами.
Например, закрытый поселок может развернуть YOLO11 на периферийном устройстве для идентификации въезжающих транспортных средств, устраняя необходимость в больших серверах. Все обрабатывается на месте в режиме реального времени, обеспечивая беспрепятственный доступ, уменьшение заторов и повышенную безопасность.
В то же время, в районах со стабильным интернет-соединением облачная система ANPR может одновременно обрабатывать данные с нескольких камер. Например, в торговом центре она может отслеживать транспортные средства на разных въездах и хранить номера в центральной системе, что упрощает мониторинг парковки, повышает безопасность и позволяет удаленно управлять транспортным потоком.
Настроить систему автоматического распознавания номерных знаков (ANPR) с помощью Ultralytics YOLO11 очень просто. Она точно определяет номерные знаки и может быть настроена для адаптации к различным условиям и требованиям.
Системы ANPR повышают безопасность, оптимизируют управление парковкой и улучшают мониторинг дорожного движения. Автоматизируя распознавание номерных знаков, они снижают количество ошибок, ускоряют идентификацию и делают отслеживание транспортных средств более эффективным в различных приложениях.
Присоединяйтесь к нашему сообществу и посетите наш репозиторий GitHub, чтобы увидеть ИИ в действии. Изучите наши варианты лицензирования и узнайте больше о Vision AI в производстве и ИИ в самоуправляемых автомобилях на страницах наших решений.
