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。

Computer vision 通过实现对图像和视频流中车牌的实时识别改变了这一点。例如，Ultralytics YOLO11 是一个先进的计算机 vision 模型，可以执行目标检测、分类和跟踪等高级视觉 AI 任务。利用 YOLO11 的目标检测能力，你可以准确检测图像中的车辆车牌。

Ultralytics 提供了全面的 Google Colab notebooks，简化了构建 vision AI-powered solutions 的过程。这些笔记本预先配置了必要的依赖项、模型和分步指南，使应用程序的创建更加容易。特别是，有一个专用的 Colab notebook for ANPR（自动车牌识别）。

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。

了解 ANPR#

手动跟踪汽车既耗时又容易出错，尤其是当它们快速移动时。逐个检查每个车牌会减慢处理速度并增加出错风险。Automatic number plate recognition 通过使用计算机 vision 即时检测和读取车牌解决了这个问题，从而使交通监控和安全性更加高效。

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。

Fig 1. 使用 Ultralytics 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。

ANPR 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。

Ultralytics YOLO11 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，Ultralytics YOLO11 可以适应不同的车牌样式、语言和环境。当使用包含这些条件图像的专业数据集进行自定义训练时，它在低光照、运动模糊和复杂角度等具有挑战性的条件下也能表现出色。

通过即时识别车辆，Ultralytics 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更加顺畅，运营更加高效。

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

接下来，我们来逐步了解如何使用 Ultralytics YOLO11 和 GPT-4o Mini 构建一个 ANPR 系统。

我们将探讨本解决方案的 Ultralytics Google Colab 笔记本中展示的代码。Google Colab 笔记本易于使用，任何人都可以创建 ANPR 系统，而无需复杂的设置。

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。

我们将如下安装 Ultralytics Python package。该软件包提供预训练模型、训练实用程序和推理工具，使使用 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，Ultralytics YOLO11 将准备好检测车牌，而 GPT-4o Mini 将被配置为识别并提取其中的文本。

第 2 步：下载自定义训练模型#

现在一切都已设置完毕，下一步是下载经过自定义训练以检测车牌的 Ultralytics YOLO11 模型。由于该模型已经训练好用于检测车牌，因此无需从头开始训练。你只需下载它即可直接使用。这节省了时间，并使整个过程变得更加简单。

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。

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。

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。

车牌被隔离后，GPT-4o Mini 会分析图像，提取数字和字母，并将它们转换为可读文本。然后，识别出的文本会被添加回视频中，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。

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。

Fig 5. 使用 YOLO11 和 GPT-4o Mini 进行 ANPR。

部署 ANPR 系统#

在构建和测试 ANPR 解决方案后，下一步是在真实环境中部署它。大多数 vision AI models 依赖于高性能计算，但 Ultralytics YOLO11 已针对 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，使其成为资源有限的理想选择。

例如，封闭式社区可以在边缘设备上部署 Ultralytics YOLO11 来识别进入的车辆，从而无需大型服务器。所有内容都在本地实时处理，确保顺畅的通行、减少拥堵并增强安全性。

Fig 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。

ANPR 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 our community 并访问 our GitHub repository 以亲身体验 AI。在我们的解决方案页面上探索 our licensing options 并了解有关 vision AI in manufacturing 和 AI in self-driving cars 的更多信息。