Использование Ultralytics YOLO11 для автоматического распознавания номерных знаков

По мере роста внедрения ИИ инновации, основанные на автоматическом распознавании номерных знаков (ANPR), становятся всё более распространёнными. Системы ANPR используют компьютерное зрение, чтобы автоматически считывать номерные знаки автомобилей, а также идентифицировать их и отслеживать. В последнее время достижения в области ИИ сделали возможной быструю интеграцию таких систем в нашу повседневную жизнь. Возможно, ты уже видел системы ANPR на пунктах оплаты проезда или во время полицейских проверок автомобилей, превышающих скорость.

Распознавание номерных знаков становится всё более важным, а объём мирового рынка систем ANPR, как ожидается, достигнет 4,8 миллиарда долларов к 2027 году. Одной из причин такого роста являются преимущества, которые ANPR даёт в таких сферах, как управление дорожным движением и безопасность.

Чтобы получать наилучшие результаты от приложений ANPR, важно понимать методы ИИ, лежащие в основе этих решений. Например, обнаружение объектов — это задача компьютерного зрения, необходимая для точного распознавания и отслеживания автомобилей, и именно 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 включает несколько важных этапов, позволяющих быстро и точно идентифицировать номерные знаки автомобилей. Разберём, как эти этапы работают вместе, делая процесс эффективным:

• Захват изображения: Сначала камеры используются для захвата изображений автомобилей. Их можно устанавливать в фиксированных местах, например на пунктах оплаты проезда, или размещать на полицейских автомобилях для обеспечения мобильности.
• Обнаружение номерного знака: Затем для поиска номерного знака на изображении используются модели обнаружения объектов, такие как YOLO11.
• Оптическое распознавание символов (OCR): Затем OCR используется для считывания символов на номерном знаке (на изображении) и преобразования их в машиночитаемый текст.
• Поиск в базе данных: Затем текстовые данные проверяются по базе данных для подтверждения информации о номерном знаке.

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

Системы ANPR часто сталкиваются с такими проблемами, как плохое освещение, разные дизайны номерных знаков и сложные условия окружающей среды. YOLO11 помогает решать эти проблемы, повышая точность и скорость обнаружения даже в сложных условиях. С моделями, такими как YOLO11, ANPR работает надёжнее, упрощая идентификацию номерных знаков в реальном времени — днём и ночью, а также 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 впервые была представлена на ежегодном гибридном мероприятии Ultralytics — YOLO Vision 2024 (YV24). Как модель обнаружения объектов, поддерживающая приложения реального времени, YOLO11 отлично подходит для улучшения таких решений, как системы ANPR. YOLO11 также подходит для приложений ИИ на периферии. Благодаря этому решения ANPR, интегрированные с YOLO11, могут эффективно работать даже при ненадёжном сетевом подключении. В результате системы ANPR способны бесперебойно работать в удалённых местах или зонах с ограниченной связью.

YOLO11 также повышает эффективность по сравнению с предыдущими версиями. Например, YOLO11m достигает более высокого значения средней точности (mAP) на датасете COCO, используя на 22% меньше параметров по сравнению с YOLOv8m. С YOLO11 системы ANPR лучше справляются с такими проблемами, как меняющееся освещение, разнообразные дизайны номерных знаков и движущиеся автомобили, что обеспечивает более надёжное и эффективное распознавание номерных знаков.

Рис. 3. Сравнение Ultralytics YOLO11 с предыдущими версиями.

Если ты задаёшься вопросом, как использовать YOLO11 в своём проекте ANPR, то сделать это очень просто. Варианты моделей YOLO11, поддерживающие обнаружение объектов, предварительно обучены на датасете COCO. Эти модели способны обнаруживать 80 различных типов объектов, например автомобили, велосипеды и животных. Хотя номерные знаки не входят в набор предварительно обученных меток, ты можешь легко дообучить YOLO11 для их обнаружения с помощью пакета Ultralytics для Python или платформы Ultralytics HUB без кода. Ты можешь создать или использовать специализированный датасет номерных знаков, чтобы настроить модель YOLO11 для задач ANPR.

Применение системы ANPR, интегрированной с YOLO11#

Далее мы рассмотрим различные сферы применения, в которых ANPR и YOLO11 можно использовать вместе для повышения эффективности и точности.

Обнаружение номерных знаков в реальном времени для управления дорожным движением и правоохранительных органов#

В оживлённых городах, где автомобили движутся по перекрёсткам и автомагистралям, сотрудники дорожных служб должны управлять заторами, отслеживать нарушения правил дорожного движения и обеспечивать общественную безопасность. ANPR в интеграции с YOLO11 может значительно помочь в этих задачах. Мгновенно распознавая номерные знаки автомобилей, власти могут контролировать транспортный поток, обеспечивать соблюдение правил дорожного движения и быстро выявлять автомобили, связанные с нарушениями. Например, автомобили, превышающие скорость, можно легко обнаружить и остановить.

Рис. 4. Обнаружение и идентификация автомобилей, превышающих скорость, с помощью ANPR и YOLO11.

В целом ANPR с YOLO11 может автоматизировать задачи, которые в противном случае потребовали бы ручной работы. 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 сотрудников дорожных служб, позволяя им сосредоточиться на более важных обязанностях.

В правоохранительной деятельности YOLO11 и ANPR могут вместе отслеживать угнанные автомобили и выявлять автомобили, отмеченные в связи с подозрительной активностью. Обнаружение в реальном времени с помощью YOLO11 обеспечивает быстрое и надёжное распознавание автомобилей даже при высокой скорости их движения. Эта возможность помогает повысить общественную безопасность благодаря более быстрой реакции и эффективной работе правоохранительных органов.

Современные системы управления парковкой и ANPR#

Ещё одно перспективное применение ANPR с YOLO11 — системы управления парковкой. Например, они позволяют организовать парковки, на которых автомобили могут въезжать, парковаться и выезжать без взаимодействия водителя с парковочным автоматом или сотрудником. Парковочные системы ANPR с использованием YOLO11 помогают обеспечить удобные процессы въезда, выезда и оплаты.

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

Когда автомобиль подъезжает к въездному шлагбауму, ANPR на базе YOLO11 мгновенно распознаёт номерной знак. Затем система сверяет его с предварительно зарегистрированной базой данных или создаёт новую запись. Шлагбаум открывается автоматически, и автомобиль въезжает без каких-либо ручных действий. Ускоренный процесс делает парковку более удобной для водителей.

Аналогично, когда автомобиль выезжает, система снова обнаруживает его 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 платёжных автоматах и помогает уменьшить заторы на выездах, особенно в часы пик.

Способность YOLO11 точно обнаруживать номерные знаки в реальном времени имеет ключевое значение для бесперебойной работы этих систем управления парковкой. Помимо повышения удобства парковки, это помогает операторам эффективнее управлять объектами, сокращая объём ручного труда и улучшая транспортный поток.

Использование ANPR для контроля доступа в системах безопасности#

Системы ANPR, интегрированные с YOLO11, отлично подходят для управления доступом на охраняемые территории, такие как закрытые жилые комплексы, корпоративные кампусы и объекты с ограниченным доступом. С помощью ANPR эти объекты могут автоматизировать систему безопасности, гарантируя въезд только авторизованных автомобилей.

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

Это похоже на рассмотренную ранее систему управления парковкой. Основное отличие заключается в том, что система проверяет номерной знак по списку авторизованных автомобилей. Если автомобиль одобрен, шлагбаум открывается автоматически, обеспечивая беспрепятственный доступ для жителей, сотрудников или посетителей и сохраняя высокий уровень безопасности. Такой процесс снижает необходимость в ручных проверках и позволяет сотрудникам службы безопасности сосредоточиться на более важных задачах.

Системы ANPR — важная часть будущего умных городов#

Теперь, когда мы рассмотрели несколько вариантов применения систем ANPR, интегрированных с YOLO11, давай взглянем на них как на взаимосвязанную систему.

Их преимущества особенно заметны не по отдельности, а как часть единого решения 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 одновременно используется для управления дорожным движением, предоставления безопасного доступа и оптимизации парковки. Автомобиль можно обнаружить при въезде в город, отслеживать на всём маршруте, предоставить ему доступ на закрытые территории и разрешить парковку без какого-либо ручного вмешательства.

Интегрируя модели компьютерного зрения, такие как YOLO11, ANPR помогает эффективнее управлять дорожным движением, повышать безопасность и укреплять общественную безопасность. Эти системы обеспечивают мониторинг в реальном времени, автоматизированные процессы и принятие решений на основе данных, что необходимо для управления растущей сложностью современных городов.

Итоги: ANPR и YOLO11#

Системы ANPR становятся необходимой частью современной городской инфраструктуры, а интеграция с моделями компьютерного зрения, такими как YOLO11, делает их ещё более полезными. YOLO11 повышает точность ANPR, обеспечивает обработку в реальном времени и адаптивность, благодаря чему отлично подходит для приложений умных городов. От улучшения управления дорожным движением и работы правоохранительных органов до автоматизации парковки и защищённого доступа — системы ANPR на базе YOLO11 повышают эффективность и надёжность. По мере того как города становятся умнее, эти решения, вероятно, будут играть ключевую роль в преобразовании городской жизни и развитии интеллектуальной инфраструктуры будущего.

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