使用 Ultralytics YOLO11 和 GPT-4o Mini 构建 ANPR 系统

在拥挤的停车场寻找停车位、在收费站漫长的队伍中等待或在安全检查站受阻，这些经历都令人沮丧。人工车辆检查通常耗时太长并导致延误。如果没有自动化系统，高效追踪车辆可能是一项挑战。

计算机视觉通过实现从图像和视频流中进行实时车牌识别，改变了这一现状。例如，Ultralytics YOLO11 是一款先进的计算机视觉模型，能够执行目标检测、分类和追踪等高级视觉 AI 任务。利用 YOLO11 的目标检测能力，你可以准确地检测图像中的车辆牌照。

Ultralytics 提供了全面的 Google Colab notebooks，简化了构建 视觉 AI 驱动解决方案的过程。这些 notebooks 预装了必要的依赖项、模型和分步指南，使创建应用程序变得更加简单。特别是有一个专门用于 ANPR（自动车牌识别）的 Colab notebook。

在本文中，我们将使用 Ultralytics 的 ANPR Colab notebook，探索如何构建一个结合了 Ultralytics YOLO11（用于车牌检测）和 GPT-4o Mini（用于文本识别）的 ANPR 解决方案。

Link to this section了解 ANPR#

人工追踪车辆既耗时又容易出错，尤其是当车辆快速移动时。逐一检查每块车牌会拖慢流程并增加出错风险。自动车牌识别通过使用计算机视觉即时检测和读取车牌解决了这一问题，从而提高了交通监控和安全效率。

ANPR 系统可以捕获过往车辆的图像或视频，并使用实时目标检测来识别车牌。一旦检测到，文本识别技术就会自动提取车牌号码，无需人工干预。即使车辆快速移动或车牌部分被遮挡，该过程也能确保结果准确。

图 1。使用 YOLO11 检测车牌的示例。

如今，收费站、停车系统和执法部门越来越依赖 ANPR 来高效追踪车辆。

Link to this sectionANPR 技术面临的挑战#

虽然 ANPR 可以快速识别车辆，但仍存在一些可能影响其准确性的挑战。以下是一些会影响 ANPR 系统性能的常见问题：

• 低光照和恶劣天气： 在夜间和恶劣天气下，车牌变得难以读取。雾、雨和大灯眩光可能会导致文本模糊，使其无法辨认。
• 车牌模糊或被遮挡： 快速移动的车辆可能会留下模糊的图像，特别是当相机快门速度过慢时。污垢、划痕或车牌部分被覆盖也可能导致识别问题。使用具有正确设置的高质量相机有助于获得更清晰的结果。
• 车牌设计不一致： 并非所有车牌看起来都一样。有些车牌使用花哨的字体、额外文本或徽标，这可能会干扰系统。
• 隐私风险和数据安全： 安全存储车辆数据非常重要。正确的安全措施可以防止未经授权的访问并保护信息。通过适当的防护措施，ANPR 系统可以既安全又可靠。

Link to this sectionYOLO11 如何改进 ANPR 系统#

Ultralytics YOLO11 可以使 ANPR 系统变得更快、更准确。它能够快速处理图像同时保持精度，且不需要强大的计算能力，因此非常适合从小型的安防摄像头到大型交通系统的各种应用场景。

通过 自定义训练，YOLO11 可以适应不同的车牌样式、语言和环境。当在包含这些特殊条件的专门 数据集 上进行自定义训练后，它在低光照、运动模糊和复杂角度等挑战性条件下也能表现出色。

通过即时识别车辆，YOLO11 有助于减少等待时间、防止错误并提高安全性。这使得停车场、收费站和监控系统中的交通流更加顺畅，运营也更加高效。

Link to this section使用 YOLO11 和 GPT-4o Mini 构建 ANPR 系统#

接下来，我们将介绍如何使用 YOLO11 和 GPT-4o Mini 构建 ANPR 系统。

我们将探讨 Ultralytics Google Colab notebook 中展示的此解决方案的代码。该 Google Colab notebook 使用简单，任何人都可以构建 ANPR 系统，而无需复杂的设置。

Link to this section第 1 步：设置环境#

首先，我们需要安装依赖项，即运行 ANPR 系统所需的必备软件包和库。这些依赖项有助于执行目标检测、图像处理和文本识别等任务，确保系统高效运行。

我们将安装如下所示的 Ultralytics Python 软件包。此软件包提供了预训练模型、训练实用程序和推理工具，使利用 YOLO11 检测和识别车牌变得更加容易。

图 2. 安装 Ultralytics Python 软件包。

我们还需要为文本识别设置 GPT-4o Mini。由于 GPT-4o Mini 负责从检测到的车牌中提取文本，我们需要一个 API 密钥来访问该模型。此密钥可以通过注册 GPT-4o Mini API 获取。一旦你拥有该密钥，就可以将其添加到 Colab notebook 中，以便系统能够连接到模型并处理车牌号码。

完成设置并运行安装代码后，YOLO11 将准备好检测车牌，而 GPT-4o Mini 也将设置完成，可以识别并从中提取文本。

Link to this section第 2 步：下载自定义训练模型#

现在一切已准备就绪，下一步是下载经过自定义训练以检测车牌的 YOLO11 模型。由于该模型已经过训练以检测车牌，因此无需从头开始训练。你只需下载它即可使用。这节省了时间并使过程更加简单。

此外，我们将下载一个示例视频文件来测试该系统。如果需要，你也可以在你自己的视频文件上运行此解决方案。下载完成后，模型和视频文件将存储在 notebook 环境中。

图 3. 下载模型和视频文件。

Link to this section第 3 步：加载视频并开始检测#

模型准备好后，就该看看它的实际运行效果了。首先，加载视频文件进行处理，确保其打开正确。然后设置视频写入器以保存带有检测到车牌的处理后视频，同时保持原始尺寸和帧率。最后，加载模型以检测视频每一帧中的车牌。

图 4. 读取视频并加载模型。

加载模型后，系统将开始分析视频的每一帧以检测车牌。当找到车牌时，系统会用检测框突出显示它，以便于识别。此步骤确保仅捕获相关细节，过滤掉不必要的背景信息。车牌检测成功后，视频即准备好进入下一个阶段。

Link to this section第 4 步：从车牌中提取文本#

在检测到车牌后，下一步是进行文本识别。系统首先从视频帧中裁剪出车牌，消除任何干扰以获得清晰的视图。这有助于聚焦细节，即使在低光照或运动模糊等挑战性条件下也能提高准确性。

一旦车牌被隔离，GPT-4o Mini 就会分析图像，提取数字和字母，并将其转换为可读文本。识别出的文本随后会被加回到视频中，实时标记每个检测到的车牌。

完成这些步骤后，ANPR 系统功能齐全，可以轻松识别车牌。

Link to this section第 5 步：保存处理后的视频#

最后一步是保存处理后的视频并清理临时文件，确保一切运行顺畅。

每一帧处理过、带有检测到的车牌和识别出的文本的视频都会被写入最终输出视频。所有帧处理完成后，系统将关闭它正在读取的视频文件，释放内存和系统资源。它还会完成并保存输出视频，使其准备好进行播放或进一步分析。

图 5. 使用 YOLO11 和 GPT-4o Mini 进行 ANPR。

Link to this section部署 ANPR 系统#

在构建和测试 ANPR 解决方案后，下一步是在实际环境中部署它。大多数 视觉 AI 模型 都依赖于高性能计算，但 Ultralytics YOLO11 已针对 Edge AI 进行了优化。它可以高效运行在小型设备上，无需云计算或持续的互联网连接，使其成为资源受限地点的绝佳选择。

例如，封闭式社区可以在边缘设备上部署 YOLO11，在车辆进入时识别它们，从而无需大型服务器。一切都在现场实时处理，确保了通行顺畅、拥堵减少并增强了安全性。

图 6. 使用 YOLO11 检测车牌。

与此同时，在互联网连接稳定的地区，基于云的 ANPR 可以同时处理多台摄像头的信号。例如，在购物中心，它可以追踪不同入口处的车辆并将车牌号码存储在中央系统中，从而更轻松地监控停车位、提高安全性并远程管理车流。

Link to this sectionANPR 的未来之路#

使用 Ultralytics YOLO11 设置自动车牌识别 (ANPR) 系统非常简单。它能准确检测车牌，并可进行自定义训练以适应不同的环境和需求。

ANPR 系统增强了安全性，精简了停车管理，并改进了交通监控。通过实现车牌识别自动化，它们减少了错误，加快了识别速度，并提高了各种应用中车辆追踪的效率。

加入 我们的社区 并访问 我们的 GitHub 仓库 以查看 AI 的实际应用。探索 我们的许可选项，并在我们的解决方案页面上了解更多关于 制造业中的视觉 AI 和 自动驾驶汽车中的 AI 的信息。