Использование Ultralytics YOLO11 для автоматического распознавания номерных знаков

Абирами Вина

4 мин. чтения

21 октября 2024 г.

Узнайте, как Ultralytics YOLO11 может использоваться в системах автоматического распознавания номерных знаков (ANPR) для обнаружения в режиме реального времени и помощи в управлении дорожным движением и парковкой.

По мере распространения искусственного интеллекта все большее распространение получают инновации, основанные на автоматическом распознавании номерных знаков (ANPR). Системы ANPR используют компьютерное зрение для автоматического считывания номерных знаков автомобилей, их идентификации и отслеживания. В последнее время развитие ИИ позволило быстро интегрировать такие системы в нашу повседневную жизнь. Возможно, вы видели системы ANPR на пунктах взимания платы за проезд или во время полицейских проверок на предмет превышения скорости

Распознавание номерных знаков приобретает все большее значение, и ожидается, что мировой рынок систем ANPR к 2027 году достигнет 4,8 миллиарда долларов. Одним из факторов такого роста являются преимущества, которые ANPR предлагает для таких сфер применения, как управление дорожным движением и обеспечение безопасности

Чтобы добиться наилучших результатов от приложений ANPR, важно понимать, какие методы искусственного интеллекта лежат в основе этих решений. Например, обнаружение объектов, задача компьютерного зрения, необходима 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 YOLO11, в частности, может улучшить решения ANPR. 

__wf_reserved_inherit
Рис. 1. Использование моделей Ultralytics YOLO для ANPR.

Как работает автоматическое распознавание автомобильных номеров

Автоматическое распознавание номерных знаков включает в себя несколько важных этапов, позволяющих быстро и точно определить номерные знаки автомобиля. Давайте разберемся, как эти шаги работают вместе, чтобы сделать процесс эффективным:

  • Захват изображений: Во-первых, камеры используются для получения изображений транспортных средств. Эти камеры могут быть установлены в стационарных местах, например, в пунктах взимания платы, или на полицейских автомобилях для мобильности.
  • Обнаружение номерных знаков: Затем для поиска номерного знака на изображении используются модели обнаружения объектов, такие как YOLO11.
  • Оптическое распознавание символов (OCR): Далее OCR используется для чтения символов на пластине (на изображении), преобразуя их в машиночитаемый текст.
  • Поиск по базе данных: Затем текстовые данные сверяются с базой данных для подтверждения информации о пластине.
__wf_reserved_inherit
Рис. 2. Пример использования моделей Ultralytics YOLO для обнаружения номерных знаков.

Системы ANPR часто сталкиваются с такими проблемами, как плохое освещение, различный дизайн номерных знаков и сложные условия окружающей среды. YOLO11 поможет решить эти проблемы, повысив точность и скорость обнаружения даже в сложных условиях. Благодаря таким моделям, как YOLO11, система ANPR может работать более надежно, облегчая идентификацию номерных знаков в режиме реального времени, независимо от того, день это или ночь, или плохая погода. В следующем разделе мы подробно рассмотрим , как вы можете использовать YOLO11 для достижения этих улучшений.

Как YOLO11 может улучшить систему ANPR

Ultralytics YOLO11 была впервые продемонстрирована на ежегодном гибридном мероприятии Ultralytics YOLO Vision 2024 (YV24). Как модель обнаружения объектов, поддерживающая приложения реального времени, YOLO11 является отличным вариантом для усовершенствования таких инноваций, как системы ANPR. YOLO11 также подходит для приложений краевого искусственного интеллекта . Это позволяет решениям ANPR, интегрированным с YOLO11, эффективно работать даже при ненадежном сетевом соединении. В результате системы ANPR могут бесперебойно работать в удаленных местах или в районах с ограниченной связью.

YOLO11 также повышает 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 помощью YOLO11 системы ANPR могут лучше справляться с различными проблемами, такими как меняющиеся условия освещения, разнообразный дизайн номерных знаков и движущиеся автомобили, что обеспечивает более надежное и эффективное распознавание номерных знаков.

__wf_reserved_inherit
Рис. 3. Сравнение Ultralytics YOLO11 с предыдущими версиями.

Если вы задаетесь вопросом , как использовать YOLO11 в вашем проекте ANPR, то все очень просто. Варианты 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 входят в число предварительно обученных меток, пользователи могут легко настроить YOLO11 на обнаружение номерных знаков с помощью пакета Ultralytics Python или платформы Ultralytics HUB без кода. Пользователи могут создать или использовать специальный набор данных по номерным знакам, чтобы их модель YOLO11, обученная на заказ, идеально подходила для ANPR.

Применение системы ANPR, интегрированной с YOLO11

Далее мы рассмотрим различные области применения, в которых ANPR и YOLO11 могут использоваться вместе для повышения эффективности и точности.

Обнаружение номерных знаков в режиме реального времени для обеспечения безопасности дорожного движения и правопорядка

В шумных городах, где автомобили движутся через перекрестки и магистрали, сотрудники дорожной службы должны справляться с пробками, отслеживать нарушения правил дорожного движения и обеспечивать общественную безопасность. ANPR, интегрированный с YOLO11, может значительно улучшить ситуацию. Благодаря мгновенному распознаванию автомобильных номеров власти могут следить за движением транспорта, обеспечивать соблюдение правил дорожного движения и быстро выявлять автомобили, нарушающие правила. Например, автомобили, превышающие скорость, могут быть легко отмечены. 

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

В целом, ANPR с YOLO11 позволяет автоматизировать задачи, которые в противном случае требовали бы ручного труда. Она может обнаруживать автомобили, проезжающие на красный свет, и управлять работой пунктов взимания платы. Автоматизация этих задач не только повышает эффективность системы, но и снижает нагрузку на сотрудников дорожных служб, позволяя им сосредоточиться на более важных обязанностях.

В правоохранительных органах YOLO11 и ANPR могут работать вместе для отслеживания угнанных автомобилей и выявления тех, кто был отмечен за подозрительную деятельность. Система обнаружения YOLO11 в режиме реального времени обеспечивает быстрое и надежное распознавание автомобилей даже при их быстром движении. Эта возможность помогает повысить уровень общественной безопасности, ускоряя время реагирования и повышая эффективность правоохранительной деятельности.

Современные системы управления парковкой и ANPR

Еще одно интересное применение ANPR с YOLO11 - это системы управления парковками. Например, с его помощью можно создавать парковки, где автомобили могут въезжать, парковаться и выезжать без необходимости взаимодействия водителя с автоматом по продаже билетов или обслуживающим персоналом. Парковочные системы ANPR, использующие YOLO11, могут помочь обеспечить беспрепятственный въезд, выезд и процесс оплаты.

__wf_reserved_inherit
Рис. 5. Управление парковками с помощью моделей Ultralytics YOLO.

Когда автомобиль подъезжает к въездным воротам, система ANPR на базе YOLO11 мгновенно распознает его номерной знак. Затем система сверяет номер с предварительно зарегистрированной базой данных или создает новую запись. Ворота открываются автоматически, пропуская автомобиль без каких-либо ручных действий. Ускоренный процесс делает его более удобным для водителей.

Аналогично, когда автомобиль уезжает, система снова определяет номерной знак с помощью YOLO11. Она рассчитывает время парковки и может автоматически обработать платеж, если автомобиль зарегистрирован с использованием метода оплаты. Автоматизация устраняет необходимость в физических автоматах для оплаты и помогает уменьшить заторы на выездах, особенно в загруженное время.

Способность YOLO11 точно и в режиме реального времени определять номерные знаки - ключ к бесперебойной работе этих систем управления парковкой. Помимо того, что парковка становится более удобной, она помогает операторам лучше управлять своими объектами, сокращая ручной труд и улучшая транспортные потоки.

Использование ANPR для контроля доступа в системах безопасности

Системы ANPR, интегрированные с YOLO11, - отличный вариант для управления доступом на охраняемых территориях, таких как закрытые поселения, корпоративные кампусы и объекты с ограниченным доступом. Используя ANPR, эти объекты могут автоматизировать свою безопасность, обеспечивая пропуск только авторизованных автомобилей.

__wf_reserved_inherit
Рис. 6. Использование ANPR для пропуска разрешенных автомобилей в охраняемые зоны.

Она похожа на систему управления парковкой, о которой мы говорили ранее. Главное отличие заключается в том, что система сверяет номерной знак со списком разрешенных автомобилей. Если автомобиль одобрен, ворота открываются автоматически, обеспечивая беспрепятственный доступ жителям, сотрудникам или посетителям, при этом сохраняя безопасность. Этот процесс сокращает необходимость ручных проверок, позволяя сотрудникам службы безопасности сосредоточиться на более важных задачах.

Системы ANPR - ключевая часть будущего умных городов

Теперь, когда мы рассмотрели несколько вариантов применения систем ANPR, интегрированных с YOLO11, давайте подумаем об этих приложениях в более взаимосвязанном виде. 

Их преимущества проявляются не только как отдельных приложений, но и как единого решения в городской инфраструктуре для "умных" городов. По мере того как города становятся все более умными, системы ANPR играют все более важную роль в городской инфраструктуре.

Например, рассмотрим "умный" город, где ANPR используется для управления дорожным движением, обеспечения безопасного доступа и оптимизации парковки. Автомобиль может быть обнаружен при въезде в город, отслежен на всем его протяжении, предоставлен доступ в запретные зоны и разрешена парковка без какого-либо ручного вмешательства. 

Благодаря интеграции моделей компьютерного зрения, таких как YOLO11, системы ANPR помогают более эффективно управлять дорожным движением, повышают безопасность и улучшают общественную безопасность. Эти системы обеспечивают мониторинг в реальном времени, автоматизацию процессов и принятие решений на основе данных, что необходимо для управления растущей сложностью современных городов. 

Последний взгляд на ANPR с помощью YOLO11 

Системы ANPR становятся неотъемлемой частью современной городской инфраструктуры, а интеграция моделей компьютерного зрения, таких как YOLO11, делает их еще более полезными. YOLO11 повышает точность, обработку данных в реальном времени и адаптивность систем ANPR, что делает их идеальными для применения в "умных городах". Системы ANPR на базе YOLO11 обеспечивают эффективность и надежность, начиная с улучшения управления дорожным движением и обеспечения правопорядка и заканчивая автоматизацией парковки и безопасного доступа. По мере того как города становятся все умнее, эти решения, вероятно, будут играть решающую роль в преобразовании городской жизни и поддержке будущего интеллектуальной инфраструктуры.

Чтобы узнать больше об искусственном интеллекте, посетите наш репозиторий GitHub и присоединитесь к нашему сообществу. Изучите применение ИИ в производстве и сельском хозяйстве на страницах наших решений. 🚀

Давайте вместе построим будущее
искусственного интеллекта!

Начните свое путешествие в будущее машинного обучения

Начните бесплатно
Ссылка копируется в буфер обмена