使用 Ultralytics YOLO11 进行自动车牌识别

As AI adoption increases, innovations that depend on Automatic Number Plate Recognition (ANPR) are becoming more common. ANPR systems use computer vision to automatically read vehicle license plates and identify and track them. Recently, advancements in AI have made it possible to rapidly integrate such systems into our daily lives. In fact, you may have seen ANPR systems at toll booths or during police checks for speeding vehicles.

车牌识别正变得越来越重要，预计到 2027 年，全球 ANPR 系统市场规模将达到 48 亿美元。这种增长的一个因素是 ANPR 为 交通管理 和 安防 等应用带来的益处。

To get the best results from ANPR applications, it's important to understand the AI techniques behind these solutions. For example, object detection, a computer vision task, is essential for recognizing and tracking vehicles accurately, and this is where computer vision models like Ultralytics YOLO11 come in. In this article, we will look at how ANPR works and how YOLO11, in particular, can improve ANPR solutions.

图 1. 使用 Ultralytics YOLO 模型进行 ANPR。

Link to this section自动车牌识别的工作原理#

自动车牌识别涉及几个重要的步骤，以快速准确地识别车辆牌照。让我们剖析一下这些步骤如何协同工作以提高流程效率：

• 图像采集： 首先，摄像头被用于拍摄车辆图像。这些摄像头可以安装在收费站等固定位置，或者安装在警车上以实现移动监控。
• Number Plate Detection: Then, object detection models like YOLO11 are used to find the license plate in the image.
• 光学字符识别 (OCR)： 接下来，使用 OCR 读取车牌上的字符（图像中），将其转换为机器可读的文本。
• 数据库查询： 然后，文本数据会与数据库进行比对，以确认车牌信息。

图 2. 使用 Ultralytics YOLO 模型进行车牌检测的示例。

ANPR 系统通常会面临诸如光照条件差、不同的车牌设计以及 恶劣环境条件 等挑战。YOLO11 可以通过提高检测的准确性和速度来解决这些问题，即使在恶劣条件下也能发挥作用。有了 像 YOLO11 这样的模型，ANPR 的工作将更加可靠，无论是白天还是夜晚，亦或是恶劣天气，都能更轻松地实时识别车牌。在下一节中，我们将更深入地了解 如何使用 YOLO11 来实现这些改进。

Link to this sectionYOLO11 如何增强 ANPR 系统#

Ultralytics YOLO11 首次亮相于 Ultralytics 的 年度混合活动，即 YOLO Vision 2024 (YV24)。作为一个支持实时应用的 目标检测 模型，YOLO11 是改进 ANPR 系统等创新的理想选择。YOLO11 也适用于 边缘 AI 应用。这使得集成了 YOLO11 的 ANPR 解决方案即使在网络连接不可靠的情况下也能有效运行。因此，ANPR 系统可以在偏远地区或连接受限的区域无缝运行。

YOLO11 also brings efficiency improvements compared to its predecessors. For instance, YOLO11m achieves a higher mean average precision (mAP) on the COCO dataset with 22% fewer parameters compared to YOLOv8m. With YOLO11, ANPR systems can handle various challenges like changing lighting conditions, diverse plate designs, and moving vehicles better, resulting in more reliable and effective license plate recognition.

图 3. 比较 Ultralytics YOLO11 与先前版本。

If you are wondering how you can use YOLO11 in your ANPR project, it's very straightforward. The variations of YOLO11 models that support object detection have been pre-trained on the COCO dataset. These models can detect 80 different types of objects, such as cars, bicycles, and animals. While license plates are not part of the pre-trained labels, users can easily custom-train YOLO11 to detect license plates using the Ultralytics Python package or the no-code Ultralytics HUB platform. Users have the flexibility to create or use a dedicated license plate dataset to make their custom-trained YOLO11 model perfect for ANPR.

Link to this section集成 YOLO11 的 ANPR 系统的应用#

接下来，我们将看看 ANPR 和 YOLO11 可以共同用于提高效率和准确性的各种应用场景。

Link to this section用于交通和执法领域的实时车牌检测#

在汽车穿梭于十字路口和高速公路的繁忙城市中，交警必须管理拥堵、监控违规行为并确保 公共安全。ANPR 在与 YOLO11 集成后，可以在这些工作中发挥重要作用。通过即时识别车牌，当局可以监控交通流量、执行交通法规，并快速识别违规车辆。例如，超速车辆 可以被轻松标记出来。

图 4. 利用 ANPR 和 YOLO11 检测并识别超速车辆。

总体而言，结合 YOLO11 的 ANPR 可以自动化原本需要手动完成的任务。它可以检测闯红灯的车辆并管理收费站运营。自动化这些任务不仅提高了系统效率，还减轻了交警的工作负担，让他们能专注于更关键的职责。

在执法中，YOLO11 和 ANPR 可以共同 追踪 被盗车辆并识别被标记为有可疑活动的车辆。YOLO11 的实时检测确保了即使车辆在快速移动，也能被准确可靠地识别。这一能力通过实现更快的响应时间和更有效的执法，有助于提升公共安全。

Link to this section前沿的停车管理系统与 ANPR#

ANPR 与 YOLO11 的另一个令人兴奋的应用在于 停车管理系统。例如，它使得停车场能够让车辆无需驾驶员与票务机或服务员互动即可进出、停放和离开。使用 YOLO11 的 ANPR 停车系统 可以帮助实现平稳的进出和支付流程。

图 5. 使用 Ultralytics YOLO 模型管理停车场。

当车辆接近入口大门时，由 YOLO11 驱动的 ANPR 会即时识别车牌。系统随后将车牌与预注册数据库交叉核对，或创建一个新条目。大门自动打开，允许车辆进入，无需任何手动操作。这种加速的流程为驾驶员创造了更便捷的体验。

同样，当车辆离开时，系统会再次使用 YOLO11 检测车牌。它会计算停车时间，如果车辆注册了支付方式，还可以自动处理付款。自动化消除了对实体支付机器的需求，并有助于缓解出口处的拥堵，尤其是在繁忙时段。

YOLO11 实时准确检测车牌的能力是使这些 停车管理系统 顺畅运行的关键。除了让停车更方便，它还通过减少体力劳动和改善交通流量，帮助运营者更好地管理设施。

Link to this section在安防系统中利用 ANPR 进行门禁控制#

集成了 YOLO11 的 ANPR 系统是 管理门禁 的绝佳选择，适用于封闭式社区、企业园区和受限设施等安全区域。通过使用 ANPR，这些地点可以使其 安防 自动化，确保只有经过授权的车辆才能进入。

图 6. 使用 ANPR 允许授权车辆进入安全区域。

这与我们之前讨论的停车管理系统类似。主要区别在于，系统是将车牌与授权车辆列表进行比对。如果车辆获得批准，大门会自动打开，为居民、员工或访客提供无缝访问，同时保持严密的安全性。这一过程减少了手动检查的需求，使安保人员能够专注于更重要的任务。

Link to this sectionANPR 系统是智慧城市未来的关键组成部分#

现在我们已经了解了 ANPR 系统与 YOLO11 集成的一些应用，让我们以更紧密的方式思考这些应用。

除了作为独立的应用程序外，当它们被视为智慧城市 城市基础设施 中的一个整体解决方案时，其优势才真正显现出来。随着城市不断演进以变得更加智能化，ANPR 系统在 城市基础设施 中的作用日益突出。

例如，考虑一个 智慧城市，其中 ANPR 同时用于管理交通、授予安全访问权限和简化停车。车辆在进入城市时被检测到，在整个过程中被跟踪，被授予进入限制区域的权限，并在无需任何人工干预的情况下停放。

通过集成 计算机视觉 模型（如 YOLO11），ANPR 可以帮助更有效地管理交通、加强安全并改善公共安全。这些系统支持实时监控、自动化流程和数据驱动的决策，这对于管理现代城市日益增长的复杂性至关重要。

Link to this section最后回顾一下 ANPR 与 YOLO11#

ANPR 系统正成为现代城市基础设施不可或缺的一部分，而集成像 YOLO11 这样的计算机视觉模型则使其优势更加突出。YOLO11 通过更好的准确性、实时处理能力和适应性增强了 ANPR，使其成为智慧城市应用的理想选择。从改善交通管理和执法到实现停车和安全门禁自动化，由 YOLO11 驱动的 ANPR 系统带来了高效和可靠。随着城市变得越来越智能，这些解决方案极有可能在重塑城市生活和支持智能基础设施的未来中发挥至关重要的作用。

要了解更多关于 AI 的信息，请访问我们的 GitHub 仓库 并与 我们的社区 互动。探索我们在解决方案页面上关于 制造 和 农业 领域的 AI 应用。🚀