Otomatik plaka tanıma için Ultralytics YOLO11 kullanımı

As AI adoption increases, innovations that depend on Automatic Number Plate Recognition (ANPR) are becoming more common. ANPR systems use computer vision to automatically read vehicle license plates and identify and track them. Recently, advancements in AI have made it possible to rapidly integrate such systems into our daily lives. In fact, you may have seen ANPR systems at toll booths or during police checks for speeding vehicles.

Plaka tanıma giderek daha önemli hale geliyor ve küresel ANPR sistemi pazarının 2027 yılına kadar 4,8 milyar dolara ulaşması bekleniyor. Bu büyümenin bir nedeni, ANPR'nin trafik yönetimi ve güvenlik gibi uygulamalara sunduğu faydalardır.

To get the best results from ANPR applications, it's important to understand the AI techniques behind these solutions. For example, object detection, a computer vision task, is essential for recognizing and tracking vehicles accurately, and this is where computer vision models like Ultralytics YOLO11 come in. In this article, we will look at how ANPR works and how YOLO11, in particular, can improve ANPR solutions.

Şekil 1. ANPR için Ultralytics YOLO modellerinin kullanımı.

Link to this sectionOtomatik plaka tanıma nasıl çalışır#

Otomatik Plaka Tanıma, araç plakalarını hızlı ve doğru bir şekilde tanımlamak için birkaç önemli adım içerir. Bu sürecin verimli olması için adımların nasıl birlikte çalıştığına bakalım:

• Görüntü Yakalama: Öncelikle, araçların görüntülerini yakalamak için kameralar kullanılır. Bu kameralar gişeler gibi sabit yerlere monte edilebilir veya hareketlilik için polis araçlarına takılabilir.
• Number Plate Detection: Then, object detection models like YOLO11 are used to find the license plate in the image.
• Optik Karakter Tanıma (OCR): Daha sonra, OCR kullanılarak plakadaki karakterler (görüntüdeki) okunur ve makine tarafından okunabilir metne dönüştürülür.
• Veritabanı Sorgulama: Metin verisi, plaka bilgilerini doğrulamak için bir veritabanıyla kontrol edilir.

Şekil 2. Plaka algılama için Ultralytics YOLO modellerinin kullanımına bir örnek.

ANPR sistemleri genellikle kötü aydınlatma, farklı plaka tasarımları ve zorlu çevresel koşullar gibi zorluklarla karşılaşabilir. YOLO11, zorlu koşullarda bile algılama doğruluğunu ve hızını artırarak bu endişelerin giderilmesine yardımcı olabilir. YOLO11 gibi modellerle, ANPR daha güvenilir bir şekilde çalışabilir ve gündüz veya gece, kötü hava koşullarında bile plakaların gerçek zamanlı olarak tanımlanmasını kolaylaştırır. Bir sonraki bölümde, bu iyileştirmeleri sağlamak için YOLO11'i nasıl kullanabileceğine daha yakından bakacağız.

Link to this sectionYOLO11 bir ANPR sistemini nasıl geliştirebilir#

Ultralytics YOLO11 ilk olarak Ultralytics'in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24)'te sergilendi. Gerçek zamanlı uygulamaları destekleyen bir nesne algılama modeli olarak YOLO11, ANPR sistemleri gibi yenilikleri geliştirmek için harika bir seçenektir. YOLO11 aynı zamanda uç yapay zeka uygulamaları için de uygundur. Bu, YOLO11 ile entegre ANPR çözümlerinin ağ bağlantısı güvenilir olmadığında bile etkili bir şekilde çalışmasını sağlar. Sonuç olarak, ANPR sistemleri uzak konumlarda veya bağlantısı sınırlı alanlarda sorunsuz bir şekilde çalışabilir.

YOLO11 also brings efficiency improvements compared to its predecessors. For instance, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset with 22% fewer parameters compared to YOLOv8m. With YOLO11, ANPR systems can handle various challenges like changing lighting conditions, diverse plate designs, and moving vehicles better, resulting in more reliable and effective license plate recognition.

Şekil 3. Ultralytics YOLO11'i önceki sürümlerle karşılaştırma.

If you are wondering how you can use YOLO11 in your ANPR project, it's very straightforward. The variations of YOLO11 models that support object detection have been pre-trained on the COCO dataset. These models can detect 80 different types of objects, such as cars, bicycles, and animals. While license plates are not part of the pre-trained labels, users can easily custom-train YOLO11 to detect license plates using the Ultralytics Python package or the no-code Ultralytics HUB platform. Users have the flexibility to create or use a dedicated license plate dataset to make their custom-trained YOLO11 model perfect for ANPR.

Link to this sectionYOLO11 ile entegre bir ANPR sisteminin uygulamaları#

Daha sonra, verimliliği ve doğruluğu artırmak için ANPR ve YOLO11'in birlikte kullanılabileceği çeşitli uygulamalara göz atacağız.

Link to this sectionTrafik ve kolluk kuvvetleri için gerçek zamanlı plaka algılama#

Kavşaklardan ve otoyollardan geçen arabalarla dolu hareketli şehirlerde, trafik memurları yoğunluğu yönetmek, trafik ihlallerini izlemek ve kamu güvenliğini sağlamak zorundadır. YOLO11 ile entegre edildiğinde ANPR, bu çabalarda büyük bir fark yaratabilir. Yetkililer, araç plakalarını anında tanıyarak trafik akışını takip edebilir, trafik kurallarını uygulayabilir ve ihlallere karışan araçları hızlı bir şekilde tespit edebilir. Örneğin, aşırı hız yapan araçlar kolayca işaretlenebilir.

Şekil 4. ANPR ve YOLO11 ile Aşırı Hız Yapan Araçların Algılanması ve Tanımlanması.

Genel olarak, YOLO11 ile ANPR, aksi takdirde manuel çaba gerektirecek görevleri otomatikleştirebilir. Kırmızı ışıkta geçen araçları algılayabilir ve gişe işlemlerini yönetebilir. Bu görevleri otomatikleştirmek sadece sistemi daha verimli hale getirmekle kalmaz, aynı zamanda trafik memurlarının iş yükünü azaltarak daha kritik sorumluluklara odaklanmalarını sağlar.

Kolluk kuvvetlerinde YOLO11 ve ANPR, çalıntı araçları takip etmek ve şüpheli faaliyetler nedeniyle işaretlenenleri belirlemek için birlikte çalışabilir. YOLO11'in gerçek zamanlı algılama yeteneği, araçlar hızlı hareket ederken bile hızlı ve güvenilir bir şekilde tanınmalarını sağlar. Bu yetenek, daha hızlı müdahale süreleri ve daha etkili kolluk kuvvetleri sağlayarak kamu güvenliğini artırmaya yardımcı olur.

Link to this sectionGelişmiş park yönetimi sistemleri ve ANPR#

YOLO11 ile ANPR'nin bir diğer heyecan verici uygulaması da park yönetimi sistemlerindedir. Örneğin, arabaların sürücünün bir bilet makinesi veya görevliyle etkileşime girmesine gerek kalmadan giriş yapabildiği, park edebildiği ve çıkabildiği otoparkları mümkün kılar. YOLO11 kullanan ANPR park sistemleri, sorunsuz giriş, çıkış ve ödeme süreçlerine yardımcı olabilir.

Şekil 5. Ultralytics YOLO modellerini kullanarak otopark yönetimi.

Bir araç giriş kapısına yaklaştığında, YOLO11 destekli ANPR plakayı anında tanır. Sistem daha sonra plakayı önceden kaydedilmiş bir veritabanıyla çapraz kontrol eder veya yeni bir giriş oluşturur. Kapı otomatik olarak açılır ve aracın herhangi bir manuel işlem olmadan girmesine izin verir. Hızlandırılmış bu süreç, sürücüler için daha uygun bir deneyim yaratır.

Benzer şekilde, bir araç çıkarken sistem plakayı YOLO11 kullanarak tekrar algılar. Park süresini hesaplar ve araç bir ödeme yöntemiyle kayıtlıysa ödemeyi otomatik olarak gerçekleştirebilir. Otomasyon, fiziksel ödeme makinelerine olan ihtiyacı ortadan kaldırır ve özellikle yoğun zamanlarda çıkışlardaki tıkanıklığı azaltmaya yardımcı olur.

YOLO11'in plakaları doğru ve gerçek zamanlı olarak algılama yeteneği, bu park yönetimi sistemlerinin sorunsuz çalışmasını sağlamanın anahtarıdır. Park etmeyi daha kolay hale getirmenin yanı sıra, manuel işçiliği azaltarak ve trafik akışını iyileştirerek operatörlerin tesislerini daha iyi yönetmelerine yardımcı olur.

Link to this sectionGüvenlik sistemlerinde erişim kontrolü için ANPR kullanımı#

YOLO11 ile entegre ANPR sistemleri, kapılı siteler, kurumsal kampüsler ve kısıtlı tesisler gibi güvenli alanlara erişimi yönetmek için harika bir seçenektir. ANPR kullanarak, bu konumlar güvenliklerini otomatikleştirebilir ve yalnızca yetkili araçların içeri girmesine izin verildiğinden emin olabilir.

Şekil 6. Güvenli alanlara yetkili araçların girmesine izin vermek için ANPR kullanımı.

Bu, daha önce tartıştığımız park yönetimi sistemine benzer. Temel fark, sistemin plakayı yetkili araçlar listesiyle kontrol etmesidir. Araç onaylanırsa kapı otomatik olarak açılır, sakinler, çalışanlar veya ziyaretçiler için sorunsuz erişim sağlarken güvenliği sıkı tutar. Süreç, manuel kontrolleri azaltarak güvenlik personelinin daha önemli görevlere odaklanmasını sağlar.

Link to this sectionANPR sistemleri akıllı şehirlerin geleceğinin önemli bir parçasıdır#

Şimdi YOLO11 ile entegre ANPR sistemlerinin bazı uygulamalarını incelediğimize göre, bu uygulamaları daha bağlantılı bir şekilde düşünelim.

Bireysel uygulamalar olmanın ötesinde, avantajları akıllı şehirler için kentsel altyapıda tek bir uyumlu çözüm olarak görüldüklerinde gerçekten parlar. Şehirler daha akıllı hale geldikçe, ANPR sistemleri kentsel altyapıda giderek daha önemli bir rol oynuyor.

Örneğin, ANPR'nin trafiği yönetmek, güvenli erişim sağlamak ve park etmeyi aynı anda kolaylaştırmak için kullanıldığı bir akıllı şehri düşünün. Bir araç şehre girerken algılanabilir, boyunca takip edilebilir, kısıtlı alanlara erişim izni verilebilir ve herhangi bir manuel müdahale olmadan park etmesine izin verilebilir.

YOLO11 gibi bilgisayarlı görü modellerini entegre ederek, ANPR trafiği daha verimli bir şekilde yönetmeye, güvenliği artırmaya ve kamu güvenliğini iyileştirmeye yardımcı olabilir. Bu sistemler, modern şehirlerin artan karmaşıklıklarını yönetmek için gerekli olan gerçek zamanlı izleme, otomatik süreçler ve veriye dayalı karar verme süreçlerini mümkün kılar.

Link to this sectionYOLO11 ile ANPR'ye son bir bakış#

ANPR sistemleri modern kentsel altyapı için vazgeçilmez hale geliyor ve YOLO11 gibi bilgisayarlı görü modellerini entegre etmek onları daha da faydalı kılıyor. YOLO11, ANPR'yi daha iyi doğruluk, gerçek zamanlı işleme ve uyarlanabilirlikle geliştirerek akıllı şehir uygulamaları için ideal hale getiriyor. Trafik yönetimini ve kolluk kuvvetlerini iyileştirmekten park etmeyi ve güvenli erişimi otomatikleştirmeye kadar, YOLO11 destekli ANPR sistemleri verimlilik ve güvenilirlik getiriyor. Şehirler daha akıllı hale geldikçe, bu çözümler kentsel yaşamı dönüştürmede ve akıllı altyapının geleceğini desteklemede muhtemelen çok önemli bir rol oynayacaktır.

Yapay zeka hakkında daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda üretim ve tarım alanındaki yapay zeka uygulamalarını keşfet. 🚀