Otomatik plaka tanıma için Ultralytics YOLO11 kullanımı

Yapay zekanın benimsenmesi arttıkça, Otomatik Plaka Tanıma (ANPR) sistemlerine dayanan yenilikler de daha yaygın hale geliyor. ANPR sistemleri, araç plakalarını otomatik olarak okumak ve bunları tanımlamak ve takip etmek için bilgisayarlı görü teknolojisini kullanır. Son zamanlarda, yapay zekadaki gelişmeler, bu tür sistemleri günlük hayatımıza hızla entegre etmeyi mümkün kıldı. Aslında, ANPR sistemlerini gişelerde veya aşırı hız yapan araçlar için yapılan polis kontrollerinde görmüş olabilirsiniz.

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

ANPR uygulamalarından en iyi sonuçları almak için, bu çözümlerin arkasındaki yapay zeka tekniklerini anlamak önemlidir. Örneğin, bir bilgisayarlı görü görevi olan nesne algılama, araçları doğru bir şekilde tanımak ve takip etmek için esastır ve Ultralytics YOLO11 gibi bilgisayarlı görü modelleri tam da burada devreye girer. Bu makalede, ANPR'nin nasıl çalıştığına ve özellikle YOLO11'in ANPR çözümlerini nasıl iyileştirebileceğine bakacağız.

Şekil 1. ANPR için Ultralytics YOLO modellerinin kullanılması.

Otomatik 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: İlk olarak, araçların görüntülerini yakalamak için kameralar kullanılır. Bu kameralar gişeler gibi sabit konumlara kurulabilir veya hareketlilik için polis araçlarına monte edilebilir.
• Plaka Algılama: Ardından, görüntüdeki plakayı bulmak için YOLO11 gibi nesne algılama modelleri kullanılır.
• Optik Karakter Tanıma (OCR): Sonra, plaka üzerindeki karakterleri (görüntüde) okumak ve bunları makine tarafından okunabilir metne dönüştürmek için OCR kullanılır.
• 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 zayıf aydınlatma, farklı plaka tasarımları ve zorlu çevre koşulları gibi zorluklarla karşılaşabilir. YOLO11, koşullar zorlu olduğunda bile algılama doğruluğunu ve hızını artırarak bu sorunların üstesinden gelmeye yardımcı olabilir. YOLO11 gibi modellerle, ANPR daha güvenilir bir şekilde çalışabilir; böylece ister gündüz ister gece olsun veya kötü hava koşullarında plakaları gerçek zamanlı olarak tanımlamak daha kolay hale gelir. Sonraki bölümde, bu iyileştirmeleri elde etmek için YOLO11'i nasıl kullanabileceğini daha yakından inceleyeceğiz.

YOLO11 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 ayrıca uç yapay zeka (edge AI) uygulamaları için de uygundur. Bu, YOLO11 ile entgre edilmiş 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 performans gösterebilir.

YOLO11 ayrıca önceki sürümlerine kıyasla verimlilik iyileştirmeleri getiriyor. Örneğin YOLO11m, YOLOv8m'e kıyasla %22 daha az parametreyle COCO veri kümesi üzerinde daha yüksek bir ortalama duyarlılık (mAP) elde eder. YOLO11 ile ANPR sistemleri, değişen ışık koşulları, farklı plaka tasarımları ve hareketli araçlar gibi çeşitli zorlukların üstesinden daha iyi gelebilir; bu da daha güvenilir ve etkili bir plaka tanıma sağlar.

Şekil 3. Ultralytics YOLO11'in önceki sürümlerle karşılaştırılması.

ANPR projenizde YOLO11'i nasıl kullanabileceğini merak ediyorsan, bu oldukça basittir. Nesne algılamayı destekleyen YOLO11 modellerinin varyasyonları, COCO veri kümesi üzerinde önceden eğitilmiştir. Bu modeller, arabalar, bisikletler ve hayvanlar gibi 80 farklı nesne türünü algılayabilir. Plakalar önceden eğitilmiş etiketlerin arasında yer almasa da kullanıcılar, Ultralytics Python paketini veya kod gerektirmeyen Ultralytics HUB platformunu kullanarak YOLO11'i plakaları algılayacak şekilde kolayca özel olarak eğitebilir. Kullanıcılar, özel olarak eğittikleri YOLO11 modelini ANPR için mükemmel hale getirmek amacıyla özel bir plaka veri kümesi oluşturma veya kullanma esnekliğine sahiptir.

YOLO11 ile entegre bir ANPR sisteminin uygulamaları#

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

Trafik ve kolluk kuvvetleri için gerçek zamanlı plaka algılama#

Kavşaklarda ve otoyollarda hareket eden araçların bulunduğu kalabalık şehirlerde trafik memurlarının sıkışıklığı yönetmesi, trafik ihlallerini izlemesi ve kamu güvenliğini sağlaması gerekir. ANPR, YOLO11 ile entgre edildiğinde bu çabalarda büyük bir fark yaratabilir. Yetkililer araç plakalarını anında tanıyarak trafik akışını gözlemleyebilir, trafik kurallarını uygulayabilir ve ihlallere karışan araçları hızlı bir şekilde tespit edebilir. Örneğin, aşırı hız yapan araçlar kolayca kenara çekilebilir.

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.

Kanun uygulamasında YOLO11 ve ANPR, çalıntı araçları takip etmek ve şüpheli faaliyetler nedeniyle işaretlenmiş olanları belirlemek için birlikte çalışabilir. YOLO11'in gerçek zamanlı algılama özelliği, araçların hızlı hareket ederken bile hızlı ve güvenilir bir şekilde tanınmasını sağlar. Bu yetenek, daha hızlı müdahale süreleri ve daha etkili kanun uygulamaları sağlayarak kamu güvenliğini artırmaya yardımcı olur.

Gelişmiş park yönetimi sistemleri ve ANPR#

ANPR'nin YOLO11 ile bir diğer heyecan verici uygulaması da otopark yönetim sistemleridir. Örneğin, sürücünün bir bilet makinesi veya görevliyle etkileşime girmesine gerek kalmadan arabaların girip park edebileceği ve çıkabileceği otoparklar sağlar. YOLO11 kullanan ANPR otopark sistemleri, sorunsuz giriş, çıkış ve ödeme süreçlerine yardımcı olabilir.

Şekil 5. Ultralytics YOLO modelleri kullanılarak otoparkların yönetilmesi.

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 ayrıldığında sistem YOLO11 kullanarak plakayı tekrar algılar. Park süresini hesaplar ve araç bir ödeme yöntemiyle kayıtlıysa ödemeyi otomatik olarak işleme koyabilir. Bu otomasyon, fiziksel ödeme makinelerine olan ihtiyacı ortadan kaldırır ve özellikle yoğun saatlerde çıkışlardaki tıkanıklığı azaltmaya yardımcı olur.

YOLO11'in plakaları doğru ve gerçek zamanlı olarak algılama yeteneği, bu otopark yönetim sistemlerinin sorunsuz çalışmasını sağlamanın anahtarıdır. Otoparkı daha konforlu hale getirmenin yanı sıra, manuel emeği azaltarak ve trafik akışını iyileştirerek operatörlerin tesislerini daha iyi yönetmelerine yardımcı olur.

Güvenlik sistemlerinde erişim kontrolü için ANPR kullanımı#

YOLO11 ile entegre ANPR sistemleri, siteler, şirket kampüsleri 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 verilmesini sağlayabilir.

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

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.

ANPR 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, bunların 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 oynamaktadır.

Örneğin, trafiği yönetmek, güvenli erişim sağlamak ve otoparkı tek seferde kolaylaştırmak için ANPR'nin kullanıldığı bir akıllı şehri düşünün. Bir araç şehre girerken algılanabilir, şehir boyunca takip edilebilir, kısıtlı alanlara erişim verilebilir ve hiçbir manuel müdahale olmaksızın park etmesine izin verilebilir.

YOLO11 gibi bilgisayarlı görü modellerini entegre ederek ANPR, trafiği daha verimli yönetmeye, güvenliği artırmaya ve kamu güvenliğini iyileştirmeye yardımcı olabilir. Bu sistemler, modern şehirlerin artan karmaşıklıklarını yönetmek için hayati önem taşıyan gerçek zamanlı izleme, otomatize edilmiş süreçler ve veriye dayalı karar alma olanağı sağlar.

YOLO11 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 deponumuzu ziyaret et ve topluluğumuzla etkileşime geç. Çözüm sayfalarımızda üretim ve tarım alanındaki yapay zeka uygulamalarını keşfet. 🚀