Otomatik plaka tanıma için Ultralytics YOLO11 kullanımı

Yapay zekâ kullanımı arttıkça Otomatik Plaka Tanıma (ANPR) teknolojisine dayanan yenilikler de yaygınlaşıyor. ANPR sistemleri, araç plakalarını otomatik olarak okuyup araçları belirlemek ve takip etmek için bilgisayarlı görüden yararlanır. Yapay zekâdaki son gelişmeler, bu tür sistemlerin günlük yaşamımıza hızla entegre edilmesini mümkün kıldı. Hatta gişelerde veya hız yapan araçlara yönelik polis kontrollerinde ANPR sistemlerini görmüş olabilirsin.

Plaka tanıma giderek daha önemli hâle geliyor ve küresel ANPR sistemi pazarının 2027'ye kadar 4,8 milyar dolara ulaşması bekleniyor. Bu büyümenin etkenlerinden biri, ANPR'nin trafik yönetimi ve güvenlik gibi uygulamalara sağladığı faydalardır.

ANPR uygulamalarından en iyi sonuçları elde etmek için bu çözümlerin arkasındaki yapay zekâ tekniklerini anlamak önemlidir. Örneğin bir bilgisayarlı görü görevi olan nesne tespiti, araçları doğru şekilde tanımak ve takip etmek için gereklidir; Ultralytics YOLO11 gibi bilgisayarlı görü modelleri de bu noktada devreye girer. Bu makalede ANPR'nin nasıl çalıştığına ve özellikle YOLO11'in ANPR çözümlerini nasıl iyileştirebileceğine bakacağız.

Şekil 1. ANPR için Ultralytics YOLO modellerinin kullanımı.

Otomatik plaka tanıma nasıl çalışır?#

Otomatik Plaka Tanıma, araç plakalarını hızlı ve doğru biçimde tanımak için birkaç önemli adımdan oluşur. Süreci verimli hâle getirmek için bu adımların birlikte nasıl işlediğine bakalım:

• Görüntü Yakalama: İlk olarak kameralar araçların görüntülerini yakalamak için kullanılır. Bu kameralar gişeler gibi sabit konumlara kurulabilir veya hareket kabiliyeti için polis araçlarına monte edilebilir.
• Plaka Tespiti: Ardından görüntüdeki plakayı bulmak için YOLO11 gibi nesne tespit modelleri kullanılır.
• Optik Karakter Tanıma (OCR): Sonraki adımda, plakanın üzerindeki karakterleri görüntüden okuyup makine tarafından okunabilir metne dönüştürmek için OCR kullanılır.
• Veritabanı sorgulama: Ardından, plaka bilgilerini doğrulamak için metin verileri bir veritabanıyla karşılaştırılır.

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

ANPR sistemleri genellikle yetersiz aydınlatma, farklı plaka tasarımları ve zorlu çevre koşulları gibi sorunlarla karşılaşabilir. YOLO11, koşullar zor olduğunda bile tespit doğruluğunu ve hızını artırarak bu sorunların üstesinden gelmeye yardımcı olabilir. YOLO11 gibi modeller sayesinde ANPR daha güvenilir çalışabilir; böylece ister gündüz ister gece, ister kötü hava koşullarında olsun plakaları gerçek zamanlı olarak belirlemek kolaylaşır. Bir sonraki bölümde, bu iyileştirmeleri elde etmek için YOLO11'i nasıl kullanabileceğini daha yakından inceleyeceğiz.

YOLO11 bir ANPR sistemini nasıl geliştirebilir?#

Ultralytics YOLO11 ilk kez Ultralytics'in yıllık hibrit etkinliği YOLO Vision 2024'te (YV24) tanıtıldı. Gerçek zamanlı uygulamaları destekleyen bir nesne tespit modeli olan YOLO11, ANPR sistemleri gibi yenilikleri geliştirmek için harika bir seçenektir. YOLO11, uç yapay zekâ uygulamaları için de uygundur. Bu sayede YOLO11 ile entegre edilen ANPR çözümleri, ağ bağlantısının güvenilir olmadığı durumlarda bile etkili şekilde çalışabilir. Böylece ANPR sistemleri uzak konumlarda veya bağlantının kısıtlı olduğu bölgelerde çalışmaya devam edebilir.

YOLO11, önceki sürümlerine kıyasla verimlilik iyileştirmeleri de sunar. Örneğin YOLO11m, YOLOv8m ile karşılaştırıldığında %22 daha az parametreyle COCO veri kümesinde daha yüksek ortalama hassasiyet (mAP) elde eder. YOLO11 sayesinde ANPR sistemleri değişen ışık koşulları, farklı plaka tasarımları ve hareket hâlindeki araçlar gibi çeşitli zorlukların üstesinden daha iyi gelir; böylece plaka tanıma daha güvenilir ve etkili hâle gelir.

Şekil 3. Ultralytics YOLO11'in önceki sürümlerle karşılaştırılması.

YOLO11'i ANPR projenizde nasıl kullanabileceğinizi merak ediyorsan, bu oldukça kolaydır. Nesne tespitini destekleyen YOLO11 model çeşitleri COCO veri kümesiyle önceden eğitilmiştir. Bu modeller arabalar, bisikletler ve hayvanlar gibi 80 farklı nesne türünü tespit edebilir. Plakalar önceden eğitilmiş etiketler arasında bulunmasa da kullanıcılar, plakaları tespit etmesi için Ultralytics Python paketini veya kod gerektirmeyen Ultralytics Platform'u (eski adıyla Ultralytics HUB) kullanarak YOLO11'i kolayca kendi verileriyle eğitebilir. Kullanıcılar, YOLO11 ile kendi verilerinde eğittikleri modelin ANPR'ye uygun olması için kendi veri kümelerini oluşturabilir veya Car License Plate veri kümesi gibi herkese açık bir veri kümesiyle başlayabilir.

YOLO11 ile entegre bir ANPR sisteminin uygulamaları#

Şimdi verimliliği ve doğruluğu artırmak için ANPR ve YOLO11'in birlikte kullanılabileceği çeşitli uygulamalara göz atalım.

Trafik ve kolluk kuvvetleri için gerçek zamanlı plaka algılama#

Arabaların kavşaklarda ve otoyollarda ilerlediği hareketli şehirlerde trafik görevlilerinin yoğunluğu yönetmesi, trafik ihlallerini izlemesi ve kamu güvenliğini sağlaması gerekir. YOLO11 ile entegre edilen ANPR, bu çalışmalara büyük katkı sağlayabilir. Yetkililer araç plakalarını anında tanıyarak trafik akışını izleyebilir, trafik kurallarını uygulayabilir ve ihlallere karışan araçları hızla belirleyebilir. Örneğin hız yapan araçlar kolayca tespit edilebilir.

Şekil 4. ANPR ve YOLO11 ile hız yapan araçların algılanması ve tanınması.

Genel olarak YOLO11 ile ANPR, aksi takdirde elle yapılması gereken görevleri otomatikleştirebilir. Kırmızı ışıkta geçen araçları algılayabilir ve gişe işlemlerini yönetebilir. Bu görevlerin otomatikleştirilmesi sistemi daha verimli hâle getirmekle kalmaz, trafik görevlilerinin iş yükünü de azaltarak daha kritik sorumluluklara odaklanmalarını sağlar.

Emniyet uygulamalarında YOLO11 ve ANPR, çalıntı araçları takip etmek ve şüpheli faaliyetler nedeniyle işaretlenmiş araçları belirlemek için birlikte çalışabilir. YOLO11'in gerçek zamanlı tespit yeteneği, hızlı hareket ederken bile araçların hızlı ve güvenilir bir şekilde tanınmasını sağlar. Bu özellik, daha hızlı müdahaleye ve daha etkili kolluk faaliyetlerine olanak tanıyarak kamu güvenliğini artırmaya yardımcı olur.

Son teknoloji park yönetim sistemleri ve ANPR#

YOLO11 ile ANPR'nin bir başka heyecan verici uygulaması da park yönetim sistemleridir. Örneğin bu sistemler, sürücünün bilet makinesiyle veya görevliyle etkileşime girmesine gerek kalmadan araçların otoparka girip park etmesini ve çıkmasını sağlar. YOLO11 kullanan ANPR park sistemleri giriş, çıkış ve ödeme süreçlerinin sorunsuz ilerlemesine yardımcı olabilir.

Şekil 5. Ultralytics YOLO modelleriyle otoparkların yönetilmesi.

Bir araç giriş kapısına yaklaştığında YOLO11 destekli ANPR plakayı anında tanır. Ardından sistem plakayı önceden kaydedilmiş bir veritabanıyla karşılaştırır veya yeni bir kayıt oluşturur. Kapı otomatik olarak açılır ve araç herhangi bir manuel işlem gerekmeksizin içeri girer. Sürecin hızlanması sürücülere daha rahat bir deneyim sunar.

Araç çıkarken sistem, YOLO11 kullanarak plakayı yeniden tespit eder. Park süresini hesaplar ve araçta kayıtlı bir ödeme yöntemi varsa ödemeyi otomatik olarak işleyebilir. Bu otomasyon, fiziksel ödeme makinelerine duyulan ihtiyacı ortadan kaldırır ve özellikle yoğun zamanlarda çıkışlardaki sıkışıklığı azaltmaya yardımcı olur.

YOLO11’in plakaları doğru ve gerçek zamanlı olarak algılama becerisi, bu otopark yönetim sistemlerinin sorunsuz çalışmasını sağlamada kilit rol oynar. Otopark kullanımını kolaylaştırmanın yanı sıra manuel iş gücünü azaltıp trafik akışını iyileştirerek işletmecilerin tesislerini daha iyi yönetmesine yardımcı olur.

Güvenlik sistemlerinde erişim kontrolü için ANPR kullanımı#

YOLO11 ile entegre ANPR sistemleri; siteler, kurumsal kampüsler ve kısıtlı erişime sahip tesisler gibi güvenli alanlara erişimi yönetmek için harika bir seçenektir. ANPR sayesinde bu konumlar güvenlik süreçlerini otomatikleştirerek yalnızca yetkili araçların girişine izin verilmesini sağlayabilir.

Şekil 6. ANPR ile yetkili araçların güvenli alanlara girmesine izin verilmesi.

Daha önce ele aldığımız otopark yönetim sistemine benzer. Temel fark, sistemin plakayı yetkili araçlar listesiyle karşılaştırmasıdır. Araç onaylanırsa bariyer otomatik olarak açılır ve güvenlikten ödün vermeden sakinlere, çalışanlara veya ziyaretçilere hızlı erişim sağlanır. Bu süreç, manuel kontrolleri azaltarak güvenlik personelinin daha önemli işlere odaklanmasını sağlar.

ANPR sistemleri akıllı şehirlerin geleceğinde önemli bir yere sahip#

YOLO11 ile entegre ANPR sistemlerinin bazı uygulamalarını ele aldığımıza göre şimdi bu uygulamaları daha bağlantılı bir bakış açısıyla değerlendirelim.

Tekil uygulamaların ötesinde, bu uygulamaların avantajları akıllı şehirlerin kentsel altyapısında bütünleşik bir çözüm olarak ele alındıklarında gerçekten öne çıkar. Şehirler daha akıllı hâle geldikçe ANPR sistemleri, kentsel altyapıda giderek daha önemli bir rol oynuyor.

Örneğin, ANPR'nin trafiği yönetmek, güvenli erişim sağlamak ve park işlemlerini aynı anda kolaylaştırmak için kullanıldığı bir akıllı şehri düşün. Bir araç şehre girerken algılanabilir, şehir genelinde izlenebilir, kısıtlı alanlara erişmesine izin verilebilir ve herhangi bir manuel müdahale olmadan park etmesi sağlanabilir.

YOLO11 gibi bilgisayarlı görü modellerini entegre ederek ANPR, trafiğin daha verimli yönetilmesine, güvenliğin artırılmasına ve kamu güvenliğinin iyileştirilmesine yardımcı olabilir. Bu sistemler, modern şehirlerin giderek artan karmaşıklığını yönetmek için gerekli olan gerçek zamanlı izleme, otomatik süreçler ve veriye dayalı karar alma olanağı sunar.

YOLO11 ile ANPR'ye son bir bakış#

ANPR sistemleri modern kentsel altyapı için vazgeçilmez hâle geliyor ve YOLO11 gibi bilgisayarlı görü modellerinin entegre edilmesi bu sistemleri daha da kullanışlı kılıyor. YOLO11; daha iyi doğruluk, gerçek zamanlı işleme ve uyarlanabilirlik sunarak ANPR'yi geliştiriyor ve onu akıllı şehir uygulamaları için ideal hâle getiriyor. Trafik yönetimini ve kolluk kuvvetlerinin çalışmalarını iyileştirmekten park etme ve güvenli erişimi otomatikleştirmeye kadar, YOLO11 destekli ANPR sistemleri verimlilik ve güvenilirlik sağlıyor. Şehirler daha akıllı hâle geldikçe bu çözümler, kentsel yaşamı dönüştürmede ve akıllı altyapının geleceğini desteklemede muhtemelen kritik bir rol oynayacak.

Yapay zekâ hakkında daha fazla bilgi edinmek için GitHub depomuzu ziyaret et ve topluluğumuza katıl. Çözümler sayfalarımızda üretim ve tarım alanlarındaki yapay zekâ uygulamalarını keşfet.