Использование Ultralytics YOLO11 для автоматического распознавания номерных знаков

По мере роста внедрения ИИ инновации, зависящие от автоматического распознавания номерных знаков (ANPR), становятся всё более обычным явлением. Системы ANPR используют компьютерное зрение для автоматического считывания номерных знаков транспортных средств, а также для их идентификации и отслеживания. Недавние достижения в области ИИ позволили быстро интегрировать такие системы в нашу повседневную жизнь. На самом деле, ты наверняка видел системы ANPR на платных дорогах или во время полицейских проверок превышающих скорость автомобилей.

Распознавание номерных знаков становится всё более важным, и ожидается, что мировой рынок систем ANPR достигнет 4,8 миллиардов долларов к 2027 году. Одним из факторов такого роста являются преимущества, которые ANPR предлагает для таких приложений, как управление дорожным движением и безопасность.

Чтобы получить наилучшие результаты от приложений ANPR, важно понимать методы ИИ, лежащие в основе этих решений. Например, детектирование объектов, одна из задач компьютерного зрения, необходимо для точного распознавания и отслеживания транспортных средств, и именно здесь на помощь приходят модели компьютерного зрения, такие как Ultralytics YOLO11. В этой статье мы рассмотрим, как работает ANPR и как, в частности, YOLO11 может улучшить решения ANPR.

Рис. 1. Использование моделей Ultralytics YOLO для ANPR.

Link to this sectionКак работает автоматическое распознавание номерных знаков#

Автоматическое распознавание номерных знаков включает несколько важных шагов для быстрой и точной идентификации автомобильных номеров. Давай разберем, как эти шаги работают вместе, чтобы сделать процесс эффективным:

• Захват изображения: Во-первых, камеры используются для съемки транспортных средств. Эти камеры могут быть установлены в фиксированных местах, таких как пункты оплаты проезда, или закреплены на полицейских машинах для мобильности.
• Обнаружение номерного знака: Затем модели обнаружения объектов, такие как YOLO11, используются для поиска номерного знака на изображении.
• Оптическое распознавание символов (OCR): Далее OCR используется для считывания символов на знаке (на изображении), преобразуя их в машиночитаемый текст.
• Поиск по базе данных: Текстовые данные затем сверяются с базой данных для подтверждения информации о номере.

Рис. 2. Пример использования моделей Ultralytics YOLO для обнаружения номерных знаков.

Системы ANPR часто сталкиваются с такими проблемами, как плохое освещение, различные дизайны номерных знаков и суровые условия окружающей среды. YOLO11 может помочь решить эти проблемы за счет повышения точности и скорости обнаружения даже в сложных условиях. С помощью таких моделей, как YOLO11, ANPR может работать более надежно, облегчая идентификацию номеров в реальном времени, будь то день или ночь, или плохая погода. В следующем разделе мы подробнее рассмотрим, как ты можешь использовать YOLO11 для достижения этих улучшений.

Link to this sectionКак YOLO11 может улучшить систему ANPR#

Ultralytics YOLO11 был впервые представлен на ежегодном гибридном мероприятии Ultralytics, YOLO Vision 2024 (YV24). Будучи моделью обнаружения объектов, поддерживающей приложения реального времени, YOLO11 является отличным вариантом для улучшения таких инноваций, как системы ANPR. YOLO11 также подходит для приложений Edge AI. Это позволяет решениям ANPR, интегрированным с YOLO11, работать эффективно, даже когда сетевое соединение ненадежно. В результате системы ANPR могут бесперебойно работать в удаленных местах или районах с ограниченным подключением.

YOLO11 также привносит улучшения в эффективность по сравнению со своими предшественниками. Например, YOLO11m достигает более высокой средней точности (mAP) на наборе данных COCO с 22% меньшим количеством параметров по сравнению с YOLOv8m. С YOLO11 системы ANPR могут лучше справляться с различными проблемами, такими как изменение условий освещения, разнообразные дизайны номеров и движущиеся транспортные средства, что приводит к более надежному и эффективному распознаванию номерных знаков.

Рис. 3. Сравнение Ultralytics YOLO11 с предыдущими версиями.

Если тебе интересно, как ты можешь использовать YOLO11 в своем проекте ANPR, это очень просто. Вариации моделей YOLO11, поддерживающие обнаружение объектов, были предварительно обучены на наборе данных COCO. Эти модели могут обнаруживать 80 различных типов объектов, таких как автомобили, велосипеды и животные. Хотя номерные знаки не являются частью предварительно обученных меток, пользователи могут легко дообучить YOLO11 для обнаружения номерных знаков, используя пакет Ultralytics Python или платформу no-code Ultralytics HUB. У пользователей есть гибкость в создании или использовании специального набора данных номерных знаков, чтобы сделать свою дообученную модель YOLO11 идеальной для ANPR.

Link to this sectionПрименение системы ANPR, интегрированной с YOLO11#

Далее мы рассмотрим различные приложения, где ANPR и YOLO11 могут использоваться вместе для повышения эффективности и точности.

Link to this sectionОбнаружение номерных знаков в реальном времени для дорожного движения и правоохранительных органов#

В оживленных городах, где автомобили движутся по перекресткам и шоссе, инспекторы дорожного движения должны бороться с пробками, следить за нарушениями ПДД и обеспечивать общественную безопасность. ANPR в сочетании с YOLO11 может существенно помочь в этих усилиях. Мгновенно распознавая номера транспортных средств, власти могут следить за транспортным потоком, обеспечивать соблюдение правил дорожного движения и быстро выявлять автомобили, участвующие в нарушениях. Например, можно легко отследить превышающие скорость транспортные средства.

Рис. 4. Обнаружение и идентификация превышающих скорость транспортных средств с помощью ANPR и YOLO11.

В целом, ANPR с YOLO11 позволяет автоматизировать задачи, которые в противном случае потребовали бы ручного труда. Система может обнаруживать автомобили, проезжающие на красный свет, и управлять работой пунктов оплаты проезда. Автоматизация этих задач не только делает систему более эффективной, но и снижает нагрузку на инспекторов, позволяя им сосредоточиться на более важных обязанностях.

В правоохранительных органах YOLO11 и ANPR могут работать вместе, чтобы отслеживать угнанные автомобили и идентифицировать транспортные средства, помеченные как подозрительные. Обнаружение YOLO11 в реальном времени гарантирует, что автомобили будут распознаны быстро и надежно, даже когда они быстро движутся. Эта возможность помогает повысить общественную безопасность за счет более быстрого реагирования и более эффективной работы полиции.

Link to this sectionСовременные системы управления парковкой и ANPR#

Еще одно захватывающее применение ANPR с YOLO11 — это системы управления парковкой. Например, это позволяет создавать парковки, где машины могут въезжать, парковаться и выезжать без необходимости взаимодействия водителя с автоматом по выдаче билетов или сотрудником. Парковочные системы ANPR, использующие YOLO11, могут помочь с беспрепятственным въездом, выездом и процессом оплаты.

Рис. 5. Управление парковками с использованием моделей Ultralytics YOLO.

Когда транспортное средство приближается к въездному шлагбауму, ANPR на базе YOLO11 мгновенно распознает номерной знак. Затем система сверяет номер с предварительно зарегистрированной базой данных или создает новую запись. Шлагбаум открывается автоматически, впуская транспортное средство без каких-либо ручных действий. Ускоренный процесс создает более удобный опыт для водителей.

Точно так же, когда транспортное средство выезжает, система снова обнаруживает номерной знак с помощью YOLO11. Она рассчитывает время парковки и может автоматически обработать платеж, если транспортное средство зарегистрировано с платежным методом. Автоматизация устраняет необходимость в физических платежных терминалах и помогает уменьшить заторы на выездах, особенно в часы пик.

Способность YOLO11 точно и в реальном времени обнаруживать номерные знаки является ключом к тому, чтобы эти системы управления парковкой работали гладко. Наряду с повышением удобства парковки, это помогает операторам лучше управлять своими объектами за счет сокращения ручного труда и улучшения транспортного потока.

Link to this sectionИспользование ANPR для контроля доступа в системах безопасности#

Системы ANPR, интегрированные с YOLO11, являются отличным вариантом для управления доступом к охраняемым территориям, таким как закрытые жилые комплексы, корпоративные кампусы и ограниченные объекты. Используя ANPR, эти локации могут автоматизировать свою безопасность, гарантируя, что въезд разрешен только авторизованным транспортным средствам.

Рис. 6. Использование ANPR для допуска авторизованных транспортных средств на охраняемые территории.

Это похоже на систему управления парковкой, которую мы обсуждали ранее. Главное отличие заключается в том, что система сверяет номер со списком авторизованных транспортных средств. Если транспортное средство одобрено, шлагбаум открывается автоматически, обеспечивая беспрепятственный доступ для жителей, сотрудников или посетителей, сохраняя при этом строгую безопасность. Процесс сокращает необходимость в ручных проверках, позволяя сотрудникам службы безопасности сосредоточиться на более важных задачах.

Link to this sectionСистемы ANPR — ключевая часть будущего умных городов#

Теперь, когда мы прошли через некоторые области применения систем ANPR, интегрированных с YOLO11, давай подумаем об этих приложениях в более взаимосвязанном виде.

Помимо того, что это отдельные приложения, их преимущества по-настоящему раскрываются, когда они рассматриваются как единое комплексное решение в городской инфраструктуре для умных городов. По мере того как города эволюционируют, становясь умнее, системы ANPR играют всё более важную роль в городской инфраструктуре.

Например, представь себе умный город, где ANPR используется для управления движением, предоставления безопасного доступа и оптимизации парковки одновременно. Транспортное средство может быть обнаружено при въезде в город, отслежено на всем пути, допущено на ограниченные территории и припарковано без какого-либо ручного вмешательства.

Интегрируя модели компьютерного зрения, такие как YOLO11, ANPR может помочь более эффективно управлять трафиком, повысить безопасность и улучшить общественное благополучие. Эти системы обеспечивают мониторинг в реальном времени, автоматизированные процессы и принятие решений на основе данных, что необходимо для управления растущей сложностью современных городов.

Link to this sectionФинальный взгляд на ANPR с YOLO11#

Системы ANPR становятся неотъемлемой частью современной городской инфраструктуры, а интеграция моделей компьютерного зрения, таких как YOLO11, делает их еще более полезными. YOLO11 улучшает ANPR за счет повышенной точности, обработки в реальном времени и адаптивности, что делает его идеальным для приложений умного города. От улучшения управления дорожным движением и работы полиции до автоматизации парковки и безопасного доступа, системы ANPR на базе YOLO11 привносят эффективность и надежность. По мере того как города становятся умнее, эти решения, вероятно, будут играть решающую роль в преобразовании городской жизни и поддержке будущего интеллектуальной инфраструктуры.

Чтобы узнать больше об ИИ, посети наш GitHub репозиторий и присоединяйся к нашему сообществу. Изучи приложения ИИ в производстве и сельском хозяйстве на наших страницах решений. 🚀