Otomatik plaka tanıma için Ultralytics YOLO11 kullanımı

Yapay zekânın benimsenmesi arttıkça, Otomatik Plaka Tanıma (ANPR) teknolojisine dayanan yenilikler daha yaygın hâle geliyor. ANPR sistemleri, araç plakalarını otomatik olarak okumak ve tanımlayıp takip etmek için bilgisayarlı görü kullanır. Son zamanlarda, yapay zekâdaki gelişmeler bu tür sistemleri günlük hayatımıza hızla entegre etmeyi mümkün kıldı. Aslında, gişelerde veya polis kontrolleri sırasında hız yapan araçlar için ANPR sistemlerini görmüş olabilirsin.

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

ANPR uygulamalarından en iyi sonuçları almak için bu çözümlerin temelindeki yapay zekâ tekniklerini anlamak önemlidir. Örneğin, bir bilgisayarlı görü görevi olan nesne algılama, araçları doğru şekilde tanımak ve takip etmek için gereklidir; Ultralytics YOLO11 gibi bilgisayarlı görü modelleri de tam bu noktada devreye girer. Bu makalede ANPR'nin nasıl çalıştığına ve özellikle YOLO11 ile ANPR çözümlerinin nasıl geliştirilebileceğine bakacağız.

Şekil 1. ANPR için Ultralytics YOLO modellerinin kullanımı.

Otomatik plaka tanıma nasıl çalışır#

Otomatik Plaka Tanıma, araç plakalarını hızlı ve doğru şekilde tanımlamak için birkaç önemli adım içerir. Süreci verimli hâle getirmek için bu adımların birlikte nasıl çalıştığına bakalım:

• Görüntü Yakalama: Öncelikle kameralar, araçların görüntülerini yakalamak için kullanılır. Bu kameralar gişeler gibi sabit konumlara kurulabilir veya hareketlilik sağlamak için polis araçlarına monte edilebilir.
• Plaka Algılama: Ardından, görüntüdeki plakayı bulmak için YOLO11 gibi nesne algılama modelleri kullanılır.
• Optik Karakter Tanıma (OCR): Daha sonra OCR, plakadaki karakterleri (görüntüde) okumak ve bunları makine tarafından okunabilir metne dönüştürmek için kullanılır.
• Veritabanı Sorgulama: Ardından metin verileri, plaka bilgilerini doğrulamak için bir veritabanındaki kayıtlarla karşılaştırılır.

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

ANPR sistemleri genellikle yetersiz aydınlatma, farklı plaka tasarımları ve zorlu çevre koşulları gibi sorunlarla karşılaşabilir. YOLO11, koşullar zor olduğunda bile algılama doğruluğunu ve hızını artırarak bu sorunların üstesinden gelmeye yardımcı olabilir. YOLO11 gibi modellerle ANPR daha güvenilir çalışabilir ve gündüz veya gece, hatta kötü hava koşullarında plakaları gerçek zamanlı olarak tanımlamayı kolaylaştırabilir. Bir sonraki bölümde, bu iyileştirmeleri elde etmek için YOLO11'i nasıl kullanabileceğine daha yakından bakacağız.

YOLO11 bir ANPR sistemini nasıl geliştirebilir?#

Ultralytics YOLO11 ilk olarak Ultralytics’in yıllık hibrit etkinliği olan YOLO Vision 2024 (YV24) kapsamında tanıtıldı. Gerçek zamanlı uygulamaları destekleyen bir nesne algılama modeli olarak YOLO11, ANPR sistemleri gibi yenilikleri geliştirmek için harika bir seçenektir. YOLO11 ayrıca uç yapay zekâ uygulamaları için de uygundur. Bu sayede YOLO11 ile entegre edilen ANPR çözümleri, ağ bağlantısı güvenilir olmadığında bile etkili şekilde çalışabilir. Sonuç olarak ANPR sistemleri, uzak konumlarda veya bağlantının sınırlı olduğu bölgelerde sorunsuz şekilde çalışabilir.

YOLO11, önceki sürümlerine kıyasla verimlilik iyileştirmeleri de sunar. Örneğin YOLO11m, YOLOv8m ile karşılaştırıldığında %22 daha az parametreyle COCO veri kümesinde daha yüksek bir ortalama kesinlik (mAP) değerine ulaşır. YOLO11 sayesinde ANPR sistemleri değişen aydınlatma koşulları, farklı plaka tasarımları ve hareket hâlindeki araçlar gibi çeşitli zorlukların üstesinden daha iyi gelebilir; bu da daha güvenilir ve etkili plaka tanıma sağlar.

Şekil 3. Ultralytics YOLO11'in önceki sürümlerle karşılaştırılması.

YOLO11'i nasıl kullanabileceğini ANPR projenizde merak ediyorsan süreç oldukça basittir. Nesne algılamayı destekleyen YOLO11 modellerinin varyantları, COCO veri kümesi üzerinde önceden eğitilmiştir. Bu modeller arabalar, bisikletler ve hayvanlar gibi 80 farklı nesne türünü algılayabilir. Plakalar, önceden eğitilmiş etiketlerin parçası olmasa da kullanıcılar Ultralytics Python paketi veya kodsuz Ultralytics HUB platformunu kullanarak plakaları algılamak üzere YOLO11'i kolayca özel olarak eğitebilir. Kullanıcılar, özel olarak eğitilmiş YOLO11 modellerini ANPR için ideal hâle getirmek üzere özel bir plaka veri kümesi oluşturabilir veya kullanabilir.

YOLO11 ile entegre bir ANPR sisteminin uygulamaları#

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

Trafik ve kolluk kuvvetleri için gerçek zamanlı plaka algılama#

Araçların kavşaklardan ve otoyollardan geçtiği yoğun şehirlerde trafik görevlileri, tıkanıklığı yönetmeli, trafik ihlallerini izlemeli ve kamu güvenliğini sağlamalıdır. YOLO11 ile entegre edilen ANPR, bu çabalarda büyük fark yaratabilir. Araç plakalarını anında tanıyan yetkililer trafik akışını izleyebilir, trafik kurallarını uygulayabilir ve ihlallere karışan araçları hızla tespit edebilir. Örneğin hız yapan araçlar kolayca durdurulmak üzere işaretlenebilir.

Şekil 4. ANPR ve YOLO11 ile 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 operasyonlarını yönetebilir. Bu görevlerin otomatikleştirilmesi sistemi daha verimli hâle getirmenin yanı sıra trafik görevlilerinin iş yükünü de azaltarak onların daha kritik sorumluluklara odaklanmasını sağlar.

Kolluk kuvvetleri, çalınan araçları takip etmek ve şüpheli faaliyetler nedeniyle işaretlenen araçları tanımlamak için YOLO11 ve ANPR'yi birlikte kullanabilir. YOLO11'in gerçek zamanlı algılama özelliği, araçlar yüksek hızda hareket ederken bile hızlı ve güvenilir şekilde tanınmalarını sağlar. Bu yetenek, daha hızlı müdahale süreleri ve daha etkili kolluk faaliyetleri sunarak kamu güvenliğinin geliştirilmesine yardımcı olur.

Son teknoloji otopark yönetim sistemleri ve ANPR#

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

Şekil 5. Ultralytics YOLO modellerini kullanarak otoparkların yönetilmesi.

Bir araç giriş kapısına yaklaştığında, YOLO11 ile güçlendirilmiş ANPR plakayı anında tanır. Sistem daha sonra plakayı önceden kaydedilmiş bir veritabanıyla karşılaştırır veya yeni bir giriş oluşturur. Kapı otomatik olarak açılır ve herhangi bir manuel işlem gerektirmeden aracın içeri girmesine izin verir. Hızlandırılmış süreç, sürücüler için daha kullanışlı bir deneyim sunar.

Benzer şekilde, bir araç çıkarken sistem plakayı YOLO11 kullanarak yeniden algılar. Park süresini hesaplar ve araç bir ödeme yöntemiyle kayıtlıysa ödemeyi otomatik olarak işleme alabilir. Otomasyon, fiziksel ödeme makinelerine duyulan ihtiyacı ortadan kaldırır ve özellikle yoğun zamanlarda çıkışlardaki tıkanıklığın azaltılmasına yardımcı olur.

YOLO11'in plakaları doğru ve gerçek zamanlı olarak algılama yeteneği, bu otopark yönetim sistemlerinin sorunsuz çalışmasının anahtarıdır. Otopark kullanımını daha kolay hâle getirmenin yanı sıra manuel iş gücünü azaltarak ve 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 erişimli tesisler gibi güvenli alanlara erişimi yönetmek için harika bir seçenektir. Bu konumlar ANPR kullanarak güvenliklerini otomatikleştirebilir ve yalnızca yetkili araçların içeri girmesini sağlayabilir.

Şekil 6. Yetkili araçların güvenli alanlara girmesine izin vermek için ANPR kullanımı.

Bu, daha önce ele aldığımız otopark yönetim sistemine benzer. Temel fark, sistemin plakayı yetkili araçlar listesiyle karşılaştırmasıdır. Araç onaylanırsa kapı otomatik olarak açılır; güvenliği sıkı tutarken site sakinleri, çalışanlar veya ziyaretçiler için sorunsuz erişim sağlar. Bu süreç manuel kontrolleri azaltarak güvenlik personelinin daha önemli görevlere odaklanmasına olanak tanır.

ANPR sistemleri akıllı şehirlerin geleceğinin önemli bir parçasıdır#

Artık YOLO11 ile entegre ANPR sistemlerinin bazı uygulamalarını ele aldığımıza göre, bu uygulamaları daha bağlantılı bir bakış açısıyla düşünelim.

Tek tek uygulamalar olmanın ötesinde, avantajları akıllı şehirler için kentsel altyapının parçası olan tek ve bütünleşik bir çözüm olarak görüldüklerinde gerçekten ortaya çıkar. Şehirler daha akıllı hâle gelecek şekilde geliştikçe ANPR sistemleri kentsel altyapıda giderek daha önemli bir rol oynuyor.

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

YOLO11 gibi bilgisayarlı görü modellerini entegre eden 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 sağlar.

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 faydalı kılıyor. YOLO11, ANPR'ye daha iyi doğruluk, gerçek zamanlı işleme ve uyarlanabilirlik kazandırarak onu akıllı şehir uygulamaları için ideal hâle getiriyor. Trafik yönetimi ve kolluk faaliyetlerini geliştirmekten otopark ve güvenli erişimi otomatikleştirmeye kadar YOLO11 destekli ANPR sistemleri verimlilik ve güvenilirlik sağlıyor. Şehirler daha akıllı hâle geldikçe bu çözümlerin kentsel yaşamı dönüştürmede ve akıllı altyapının geleceğini desteklemede önemli bir rol oynaması muhtemeldir.

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