使用 Ultralytics YOLO11 和 GPT-4o Mini 构建车牌识别系统

在拥挤的停车场寻找车位、在收费站排长队或在安检站受阻都令人沮丧。人工车辆检查通常耗时过长并导致延误。如果没有自动化系统，高效地跟踪车辆可能具有挑战性。 

计算机视觉通过实现从图像和视频流中实时识别车牌，改变了这一现状。例如，Ultralytics YOLO11 是一种先进的计算机视觉模型，可以执行高级视觉 AI 任务，如目标检测、分类和跟踪。使用 YOLO11 的目标检测能力，您可以准确地检测图像中的车辆牌照。 

Ultralytics 提供全面的 Google Colab notebooks，简化了构建 视觉 AI 驱动的解决方案 的过程。这些 notebooks 预先配置了必要的依赖项、模型和分步指南，从而简化了应用程序的创建。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 Colab notebook for ANPR，探讨如何使用 Ultralytics YOLO11 进行车牌检测，并使用 GPT-4o Mini 进行文本识别，构建一个 ANPR 解决方案。 

了解 ANPR 

手动跟踪车辆既耗时又容易出错，尤其是在车辆快速移动时。逐一检查每个车牌会减慢速度并增加出错的风险。自动车牌识别通过使用计算机视觉即时检测和读取车牌来解决此问题，从而提高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。检测到车牌后，系统会自动使用文本识别来提取车牌号码，无需人工干预。即使车辆快速移动或车牌部分被遮挡，此过程也能确保准确的结果。

​

如今，收费站、停车系统和执法部门越来越多地依赖车牌自动识别（ANPR）技术来高效追踪车辆。

与车牌自动识别技术相关的挑战

虽然车牌自动识别系统能够快速识别车辆，但仍存在一些可能影响其准确性的挑战。以下是一些可能影响车牌自动识别系统性能的常见问题：

• 光线不足和恶劣天气： 在夜间和恶劣天气条件下，车牌变得难以辨认。雾、雨以及车头灯的眩光可能会使文本模糊，导致无法读取。
  ‍
• 车牌模糊或被遮挡： 快速行驶的车辆可能会留下模糊的图像，尤其是在相机快门速度过慢的情况下。污垢、划痕或车牌部分被遮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。有些车牌具有花哨的字体、额外的文本或徽标，这会使系统感到困惑。
  ‍
• 隐私风险和数据安全： 安全地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。通过适当的保护措施，车牌自动识别系统可以既安全又可靠。

YOLO11 如何改进车牌自动识别系统

Ultralytics YOLO11 可以使车牌自动识别系统更快、更准确。它能够快速处理图像，同时保持精度，并且不需要大量的计算能力，因此它可以很好地应用于从小型安全摄像头到大型交通系统的各种设备。

通过自定义训练，YOLO11 可以适应不同的车牌样式、语言和环境。当在专门的数据集上进行自定义训练时，它在低光照、运动模糊和困难角度等具有挑战性的条件下也能表现良好，这些数据集包含这些条件下的图像。

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量更加顺畅，运营效率更高。

使用 YOLO11 和 GPT-4o Mini 构建车牌自动识别系统

接下来，让我们逐步了解如何使用 YOLO11 和 GPT-4o Mini 构建车牌自动识别系统。 

我们将探索 Ultralytics Google Colab 笔记本中展示的此解决方案的代码。Google Colab 笔记本易于使用，任何人都可以创建车牌自动识别系统，而无需复杂的设置。

步骤 1：设置环境

首先，我们需要安装我们的依赖项，即运行我们的车牌自动识别系统所需的基本软件包和库。这些依赖项有助于对象检测、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 Ultralytics Python 包，如下所示。此软件包提供预训练模型、训练实用程序和推理工具，从而更容易使用 YOLO11 检测和识别车牌。

​

我们还需要设置 GPT-4o Mini 以进行文本识别。由于 GPT-4o Mini 负责从检测到的车牌中提取文本，因此我们需要一个 API 密钥才能访问该模型。可以通过注册 GPT-4o Mini API 来获取此密钥。获得密钥后，可以将其添加到 Colab 笔记本中，以便系统可以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，并且 GPT-4o Mini 将设置为识别和提取车牌中的文本。

步骤 2：下载自定义训练的模型

现在一切都已设置好，下一步是下载已自定义训练以检测车牌的 YOLO11 模型。由于此模型已经过训练可以检测车牌，因此无需从头开始训练它。您可以直接下载它，即可使用。这节省了时间，并使过程更加容易。

此外，我们将下载一个示例视频文件来测试系统。如果需要，您也可以在自己的视频文件上运行此解决方案。下载后，模型和视频文件将存储在笔记本环境中。

​

步骤 3：加载视频并开始检测

模型准备就绪后，就可以开始实际应用了。首先，加载视频文件进行处理，确保其正确打开。然后，设置一个视频写入器，以保存检测到车牌的处理后视频，同时保持原始大小和帧速率。最后，加载模型以检测视频每一帧中的车牌。

​

模型加载完成后，系统将开始分析视频的每一帧，以检测车牌。当检测到车牌时，系统会用检测框突出显示它，使其易于识别。此步骤确保仅捕获相关细节，过滤掉不必要的背景信息。成功检测到车牌后，视频就可以进入下一阶段。

步骤 4：从车牌中提取文本

检测到车牌后，下一步是文本识别。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。这有助于专注于细节，即使在低光或运动模糊等具有挑战性的条件下也能提高准确性。

车牌被隔离后，GPT-4o Mini 分析图像，提取数字和字母，并将它们转换为可读的文本。然后将识别出的文本添加回视频，实时标记每个检测到的车牌。

完成这些步骤后，ANPR 系统即可完全运行，并可以轻松识别车牌。 

步骤 5：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，确保一切顺利运行。 

每个处理过的帧，包括检测到的车牌和识别出的文本，都会被写入到最终的输出视频中。处理完所有帧后，系统会关闭正在读取的视频文件，释放内存和系统资源。它还会最终确定并保存输出视频，使其可以播放或进一步分析。

​

部署 ANPR 系统

在构建和测试 ANPR 解决方案之后，下一步是在实际环境中部署它。大多数 视觉 AI 模型 依赖于高性能计算，但 Ultralytics YOLO11 针对 Edge AI 进行了优化。它可以在小型设备上高效运行，而无需云处理或持续的互联网连接，这使其成为资源有限的场所的绝佳选择。

例如，一个封闭式社区可以在边缘设备上部署 YOLO11，以识别进入的车辆，从而无需大型服务器。所有处理都在现场实时进行，确保顺利访问、减少拥堵并增强安全性。

​

同时，在互联网连接稳定的区域，基于云的 ANPR 可以同时处理多个摄像头。例如，在购物中心，它可以跟踪不同入口的车辆，并将车牌号码存储在中央系统中，从而更轻松地监控停车情况、提高安全性并远程管理车辆流量。

ANPR 的未来发展方向

使用 Ultralytics YOLO11 设置自动车牌识别 (ANPR) 系统非常简单。它可以准确地检测车牌，并且可以进行自定义训练，以适应不同的环境和要求。

ANPR 系统可增强安全性、简化停车管理并改善交通监控。通过自动执行车牌识别，它们可以减少错误、加快识别速度，并提高各种应用中的车辆跟踪效率。

加入我们的社区并访问我们的 GitHub 存储库，了解 AI 的实际应用。浏览我们的许可选项，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。