Автоматическое распознавание номерных знаков с помощью Ultralytics YOLO11

По мере распространения ИИ все чаще появляются решения на основе автоматического распознавания номерных знаков (ANPR). Системы ANPR используют компьютерное зрение, чтобы автоматически считывать, распознавать и отслеживать номерные знаки автомобилей. Последние достижения в области ИИ позволили быстро внедрять такие системы в повседневную жизнь. Возможно, ты уже видел системы ANPR на пунктах оплаты проезда или при проверке полицией автомобилей, превысивших скорость.

Распознавание номерных знаков становится все важнее, а мировой рынок систем ANPR, как ожидается, достигнет 4,8 миллиарда долларов к 2027 году. Среди факторов роста — преимущества ANPR для таких сфер, как управление дорожным движением и безопасность.

Чтобы добиться наилучших результатов при использовании ANPR, важно понимать, какие методы ИИ лежат в основе таких решений. Например, обнаружение объектов — задача компьютерного зрения — необходимо для точного распознавания и отслеживания автомобилей. Здесь на помощь приходят модели компьютерного зрения, такие как Ultralytics YOLO11. В этой статье мы рассмотрим, как работает ANPR и как именно YOLO11 может улучшить решения ANPR.

Рис. 1. Использование моделей Ultralytics YOLO для ANPR.

Как работает автоматическое распознавание номерных знаков#

Автоматическое распознавание номерных знаков состоит из нескольких важных этапов, которые позволяют быстро и точно распознавать автомобильные номера. Разберём, как эти этапы взаимодействуют и делают процесс эффективным:

• Съемка изображений: Сначала камеры делают снимки автомобилей. Их можно устанавливать в фиксированных местах, например на пунктах оплаты проезда, или размещать на полицейских машинах для мобильного наблюдения.
• Обнаружение номерных знаков: Затем для поиска номерного знака на изображении используют модели обнаружения объектов, например YOLO11.
• Оптическое распознавание символов (OCR): затем OCR считывает символы с номерного знака на изображении и преобразует их в машиночитаемый текст.
• Поиск в базе данных: затем текстовые данные сверяются с базой данных, чтобы подтвердить информацию о номере.

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

Системы ANPR часто сталкиваются с такими сложностями, как плохое освещение, различные конструкции номерных знаков и тяжелые условия окружающей среды. YOLO11 помогает справиться с этими проблемами, повышая точность и скорость обнаружения даже в сложных условиях. С моделями, такими как YOLO11, ANPR работает надежнее, упрощая распознавание номерных знаков в реальном времени и днем, и ночью, и в плохую погоду. В следующем разделе мы подробнее рассмотрим, как использовать YOLO11 для достижения таких результатов.

Как YOLO11 помогает улучшить систему ANPR#

Ultralytics YOLO11 впервые представили на ежегодном гибридном мероприятии Ultralytics — YOLO Vision 2024 (YV24). YOLO11 — модель обнаружения объектов, поддерживающая приложения реального времени, поэтому она отлично подходит для развития таких решений, как системы ANPR. YOLO11 также подходит для приложений периферийного ИИ. Благодаря этому решения ANPR на базе YOLO11 эффективно работают даже при нестабильном сетевом подключении. В результате системы ANPR могут продолжать работу в удаленных местах или районах с ограниченным доступом к сети.

YOLO11 также эффективнее предыдущих версий. Например, YOLO11m обеспечивает более высокую среднюю точность (mAP) на наборе данных COCO, используя на 22% меньше параметров, чем YOLOv8m. С YOLO11 системы ANPR лучше справляются с различными сложностями: изменением освещения, разнообразием номерных знаков и движущимися автомобилями. Благодаря этому распознавание номеров становится надёжнее и эффективнее.

Рис. 3. Сравнение Ultralytics YOLO11 с предыдущими версиями.

Если ты задаешься вопросом, как использовать YOLO11 в проекте ANPR, то это очень просто. Варианты моделей YOLO11, поддерживающие обнаружение объектов, предварительно обучены на наборе данных COCO. Они способны обнаруживать 80 различных типов объектов, например автомобили, велосипеды и животных. Хотя номерных знаков нет среди предварительно размеченных классов, пользователи могут легко обучить YOLO11 на собственных данных для обнаружения номерных знаков с помощью пакета Ultralytics Python или платформы Ultralytics Platform без написания кода (ранее Ultralytics HUB). Пользователи могут создать собственный набор данных или взять общедоступный, например набор данных с автомобильными номерными знаками, чтобы настроить модель YOLO11 для задач ANPR.

Применение системы ANPR с интегрированным YOLO11#

Теперь рассмотрим различные области применения, в которых совместное использование ANPR и YOLO11 помогает повысить эффективность и точность.

Обнаружение номерных знаков в реальном времени для дорожного движения и правоохранительных органов#

В оживленных городах, где автомобили движутся по перекресткам и шоссе, сотрудникам дорожной полиции приходится регулировать движение, следить за нарушениями и обеспечивать общественную безопасность. ANPR в сочетании с YOLO11 может значительно помочь в решении этих задач. Мгновенно распознавая автомобильные номера, власти могут следить за транспортным потоком, контролировать соблюдение правил дорожного движения и быстро выявлять автомобили, причастные к нарушениям. Например, можно легко обнаруживать автомобили, превышающие скорость.

Рис. 4. Обнаружение и распознавание автомобилей, превысивших скорость, с помощью ANPR и YOLO11.

В целом ANPR с YOLO11 позволяет автоматизировать задачи, которые иначе пришлось бы выполнять вручную. Система может обнаруживать автомобили, проезжающие на красный свет, и управлять работой пунктов оплаты проезда. Автоматизация этих задач не только повышает эффективность системы, но и снижает нагрузку на дорожные службы, позволяя сотрудникам сосредоточиться на более важных обязанностях.

В правоохранительной деятельности YOLO11 и ANPR могут совместно отслеживать угнанные автомобили и выявлять транспортные средства, замеченные в подозрительной деятельности. Обнаружение в реальном времени с помощью YOLO11 позволяет быстро и надежно распознавать автомобили, даже если они движутся на высокой скорости. Эта возможность повышает общественную безопасность за счет более быстрого реагирования и эффективной работы правоохранительных органов.

Передовые системы управления парковкой и ANPR#

Ещё одна перспективная сфера применения ANPR с YOLO11 — это системы управления парковкой. Например, такая система позволяет автомобилям въезжать на парковку, занимать место и выезжать без взаимодействия водителя с автоматом для выдачи талонов или сотрудником парковки. Системы парковки на основе ANPR с YOLO11 помогают сделать въезд, выезд и оплату удобными и бесперебойными.

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

Когда автомобиль подъезжает к въездному шлагбауму, ANPR на базе YOLO11 мгновенно распознаёт номер. Затем система сверяет его с заранее зарегистрированной базой данных или создаёт новую запись. Шлагбаум открывается автоматически, и автомобиль въезжает без каких-либо действий со стороны человека. Благодаря ускоренному процессу водителям удобнее пользоваться парковкой.

Когда автомобиль выезжает, система снова распознает номерной знак с помощью YOLO11. Она рассчитывает время парковки и может автоматически обработать оплату, если автомобиль зарегистрирован с привязанным способом оплаты. Автоматизация устраняет необходимость в физических платежных терминалах и помогает уменьшить заторы на выездах, особенно в часы пик.

Способность YOLO11 точно и в реальном времени распознавать номерные знаки — ключевой фактор бесперебойной работы таких систем управления парковкой. Это не только делает парковку удобнее, но и помогает операторам эффективнее управлять объектами: сокращать объем ручного труда и улучшать транспортный поток.

Использование ANPR для контроля доступа в системах безопасности#

Системы ANPR на базе YOLO11 отлично подходят для управления доступом в охраняемые зоны, например закрытые жилые комплексы, корпоративные кампусы и объекты с ограниченным доступом. Благодаря ANPR такие объекты могут автоматизировать охрану и гарантировать, что въезд разрешен только авторизованным автомобилям.

Рис. 6. Использование ANPR для допуска авторизованных автомобилей на охраняемые территории.

Это похоже на систему управления парковкой, о которой мы говорили ранее. Главное отличие в том, что система сверяет номер автомобиля со списком разрешенных транспортных средств. Если автомобиль одобрен, ворота открываются автоматически, обеспечивая быстрый доступ жильцам, сотрудникам или посетителям и сохраняя высокий уровень безопасности. Такой процесс сокращает необходимость ручных проверок и позволяет сотрудникам охраны сосредоточиться на более важных задачах.

Системы ANPR — важная часть будущего умных городов#

Мы рассмотрели несколько вариантов применения систем ANPR с интегрированным YOLO11. Теперь давай подумаем, как объединить эти решения в более связанную систему.

Их преимущества особенно заметны не по отдельности, а как часть единого решения для городской инфраструктуры умных городов. По мере развития городов системы ANPR играют все более важную роль в городской инфраструктуре.

Например, представь себе умный город, где ANPR используется для управления дорожным движением, безопасного контроля доступа и автоматизации парковки. Систему можно настроить так, чтобы она обнаруживала автомобиль при въезде в город, отслеживала его передвижение, предоставляла доступ в зоны с ограничениями и разрешала парковку без какого-либо вмешательства человека.

Интеграция моделей компьютерного зрения, таких как YOLO11, помогает ANPR эффективнее управлять дорожным движением, повышать безопасность и улучшать общественную безопасность. Эти системы обеспечивают мониторинг в реальном времени, автоматизацию процессов и принятие решений на основе данных — все это необходимо для управления растущей сложностью современных городов.

Итоги: ANPR и YOLO11#

Системы ANPR становятся необходимой частью современной городской инфраструктуры, а интеграция моделей компьютерного зрения, таких как YOLO11, делает их ещё полезнее. YOLO11 повышает точность ANPR, обеспечивает обработку в реальном времени и адаптивность, что делает эту технологию идеальной для умных городов. Системы ANPR на базе YOLO11 помогают эффективнее управлять дорожным движением, обеспечивать правопорядок, автоматизировать парковку и контролировать доступ. По мере того как города становятся умнее, такие решения, вероятно, сыграют ключевую роль в преобразовании городской жизни и развитии интеллектуальной инфраструктуры будущего.

Узнай больше об ИИ в нашем репозитории на GitHub и присоединяйся к нашему сообществу. На страницах наших решений изучи применение ИИ в производстве и сельском хозяйстве.