Использование Ultralytics YOLO11 для автоматического распознавания номерных знаков

По мере роста внедрения ИИ инновации, зависящие от автоматического распознавания номерных знаков (ANPR), становятся всё более распространенными. Системы ANPR используют компьютерное зрение для автоматического чтения автомобильных номеров и их идентификации и отслеживания. В последнее время достижения в области ИИ позволили быстро интегрировать такие системы в нашу повседневную жизнь. На самом деле, ты мог видеть системы ANPR на пунктах оплаты или во время полицейских проверок превышающих скорость автомобилей.

Распознавание номерных знаков приобретает всё большее значение, 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, обнаружение объектов, являющееся задачей компьютерного зрения, имеет важное значение для точного распознавания и отслеживания транспортных средств, и здесь на помощь приходят такие модели компьютерного зрения, 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 включает несколько важных шагов для быстрой и точной идентификации автомобильных номеров. Давай разберем, как эти шаги работают вместе, чтобы сделать процесс эффективным:

• Захват изображений: Сначала камеры используются для получения изображений транспортных средств. Эти камеры могут быть установлены в фиксированных местах, таких как пункты оплаты, или закреплены на полицейских машинах для мобильности.
• Обнаружение номерных знаков: Затем такие модели обнаружения объектов, как YOLO11, используются для поиска номерного знака на изображении.
• Оптическое распознавание символов (OCR): Далее OCR используется для чтения символов на пластине (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 могут сталкиваться с такими проблемами, как плохое освещение, различные дизайны номеров и сложные условия окружающей среды. YOLO11 может помочь справиться с этими трудностями, повышая точность и скорость обнаружения даже в тяжелых условиях. С такими моделями, как YOLO11, ANPR может работать более надежно, упрощая распознавание номеров в реальном времени, будь то день или ночь, или в плохую погоду. В следующем разделе мы подробнее рассмотрим, как ты можешь использовать YOLO11 для достижения этих улучшений.

Как YOLO11 может улучшить систему ANPR#

Ultralytics YOLO11 была впервые представлена 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 периферийного ИИ. Это позволяет решениям ANPR, интегрированным с YOLO11, работать эффективно даже при ненадежном сетевом соединении. В результате системы ANPR могут бесперебойно функционировать в удаленных точках или зонах 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 на 22% меньшим количеством параметров по сравнению с YOLOv8m. С YOLO11 системы ANPR могут лучше справляться с различными трудностями, такими как меняющиеся условия освещения, разнообразный дизайн 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. Варианты моделей YOLO11, поддерживающие обнаружение объектов, прошли предварительное обучение на наборе данных COCO. Эти модели могут обнаруживать 80 различных типов объектов, таких как автомобили, велосипеды и животные. Хотя номерные знаки не входят в предварительно обученные метки, пользователи могут легко дообучить YOLO11 для обнаружения номерных знаков с помощью пакета Python от Ultralytics или платформы без написания кода Ultralytics HUB. Пользователи имеют гибкость в создании или использовании выделенного набора данных номерных знаков, чтобы сделать свою пользовательскую модель YOLO11 идеальной для ANPR.

Применение системы ANPR, интегрированной с YOLO11#

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

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

В шумных городах с автомобилями, движущимися через перекрестки и автомагистрали, дорожным инспекторам приходится справляться с заторами, следить за нарушениями правил дорожного движения и обеспечивать общественную безопасность. ANPR в интеграции с YOLO11 может существенно помочь в этих усилиях. Мгновенно распознавая автомобильные номера, власти могут следить за потоком трафика, обеспечивать соблюдение правил дорожного движения и быстро выявлять транспортные средства, причастные к нарушениям. Например, превышающие скорость автомобили можно легко остановить.

Рис. 4. Обнаружение и идентификация превышающих скорость автомобилей 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 правоохранительной деятельности YOLO11 и ANPR могут работать вместе для отслеживания угнанных машин и идентификации тех, которые помечены за подозрительную деятельность. Обнаружение YOLO11 в реальном времени гарантирует быстрое и надежное распознавание транспортных средств даже при их быстром движении. Эта способность помогает повысить общественную безопасность за счет ускорения времени реагирования и более эффективного соблюдения законов.

Современные системы управления парковкой и ANPR#

Еще одно захватывающее применение ANPR с YOLO11 — это системы управления парковками. Например, это позволяет создавать парковки, где машины могут въезжать, парковаться и выезжать без необходимости взаимодействия водителя с автоматом по выдаче билетов или парковщиком. Системы парковки ANPR, использующие YOLO11, могут способствовать плавному въезду, выезду и процессам оплаты.

Рис. 5. Управление парковками с помощью 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.

Аналогичным образом, когда транспортное средство уезжает, система снова определяет номерной знак с помощью YOLO11. Она рассчитывает время парковки и может автоматически обработать платеж, если машина зарегистрирована с привязанным способом оплаты. Автоматизация избавляет от необходимости использовать физические платежные терминалы и помогает уменьшить заторы на выездах, особенно в часы пик.

Способность YOLO11 точно и в реальном времени обнаруживать номерные знаки является ключом к обеспечению бесперебойной работы этих систем управления парковками. Наряду с повышением удобства парковки, это помогает операторам лучше управлять своими объектами за счет сокращения ручного труда и оптимизации транспортного потока.

Использование ANPR для контроля доступа в системах безопасности#

Системы ANPR, интегрированные с YOLO11, являются отличным вариантом для управления доступом в охраняемые зоны, такие как жилые комплексы закрытого типа, корпоративные кампусы и режимные объекты. Используя ANPR, эти локации могут автоматизировать свою безопасность, гарантируя, что внутрь допускаются только авторизованные автомобили.

Рис. 6. Использование ANPR для допуска авторизованных автомобилей в защищенные зоны.

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.

Системы 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 отдельных приложений, их преимущества по-настоящему проявляются, когда они рассматриваются как единое комплексное решение в городской инфраструктуре умных городов. По мере того как города становятся умнее, системы ANPR играют всё более важную роль в городской инфраструктуре.

Например, представь умный город, где ANPR используется для одновременного управления трафиком, предоставления безопасного доступа и оптимизации парковки. Транспортное средство может быть обнаружено при въезде в город, отслеживаться на протяжении всего пути, получать доступ к зонам с ограниченным доступом и парковаться без какого-либо ручного вмешательства.

Интегрируя модели компьютерного зрения, такие как YOLO11, ANPR может помочь более эффективно управлять дорожным движением, повысить уровень безопасности и улучшить общественную безопасность. Эти системы обеспечивают мониторинг в реальном времени, автоматизированные процессы и принятие решений на основе данных, что необходимо для преодоления возрастающей сложности современных городов.

Финальный 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 искусственном интеллекте, посети наш репозиторий на GitHub и присоединяйся к нашему сообществу. Исследуй применение ИИ в промышленности и сельском хозяйстве на наших страницах решений. 🚀