Ultralytics YOLOv8 para sistemas de gestión de aparcamientos más inteligentes

Puede ser estresante conducir en círculos en busca de un lugar para estacionar, especialmente cuando se llega tarde. La forma tradicional de buscar un lugar para aparcar puede ser tediosa y llevar mucho tiempo. Sin embargo, un sistema de gestión de aparcamientos impulsado por la inteligencia artificial (IA) y la visión por ordenador puede simplificar las cosas. Puede hacer que la disponibilidad de estacionamiento sea más predecible y reducir la congestión del tráfico.

En este artículo, aprenderemos cómo actualizar los sistemas de gestión de aparcamientos con inteligencia artificial y visión artificial. También repasaremos un ejemplo de codificación paso a paso para mostrarle cómo puede usar el método Ultralytics YOLOv8 para crear un sistema de gestión de aparcamientos habilitado para visión artificial. ¡Vamos a sumergirnos!

Problemas con la gestión tradicional de estacionamientos

Antes de hablar de los sistemas de gestión de aparcamientos inteligentes mejorados por IA, veamos los problemas de los sistemas tradicionales de gestión de aparcamientos.

Uno de los principales problemas de los sistemas tradicionales es el hacinamiento de las plazas de aparcamiento; Hay más coches en los aparcamientos que plazas disponibles. Además de perder el tiempo buscando espacio, el hacinamiento conduce a un consumo excesivo de combustible y a la contaminación del aire. Otro problema es el estrés del conductor. Según una encuesta, alrededor del 27% de las personas pasan al menos 30 minutos buscando lugares para estacionar. Además, el 43% de las personas admitió haber tenido discusiones verbales con extraños por los lugares de estacionamiento.

‍

La IA facilita la gestión de los aparcamientos

Los aparcamientos integrados con IA pretenden resolver los problemas a los que se enfrentan los sistemas tradicionales de gestión de aparcamientos. Los modelos de visión artificial como el Ultralytics YOLOv8 Las cámaras de alta definición y de alta definición pueden monitorear los estacionamientos y obtener actualizaciones en tiempo real sobre los espacios de estacionamiento disponibles y ocupados. 

¿Cómo funciona esto? Un modelo de visión artificial puede analizar imágenes de cámaras de alta definición para detectar vehículos, rastrear sus movimientos e identificar lugares de estacionamiento disponibles. El Ultralytics YOLOv8 El modelo es compatible con tareas de visión artificial, como la detección y el seguimiento de objetos, y puede identificar y clasificar con precisión los vehículos dentro de una transmisión de vídeo. Al comparar las ubicaciones detectadas de los vehículos con las plazas de aparcamiento predefinidas, el sistema puede determinar si una plaza de aparcamiento está ocupada o no.

‍

La información sobre la disponibilidad de aparcamiento del sistema basado en visión puede integrarse y ampliarse a diferentes aplicaciones:

• Aplicaciones móviles: Las aplicaciones móviles pueden mostrar la disponibilidad de estacionamiento en tiempo real y ayudar a los conductores a encontrar lugares disponibles de forma rápida y sencilla.
• Señalización digital: Los letreros digitales en las entradas de los estacionamientos pueden mostrar la cantidad de espacios disponibles y dirigir a los conductores al lugar vacante más cercano.
• Sistemas de Estacionamiento Automatizados: Los datos se pueden utilizar para controlar barreras y puertas automatizadas, permitiendo la entrada solo cuando hay espacios disponibles y guiando a los conductores al lugar libre más cercano.

Las ventajas de un sistema de gestión de aparcamientos

La información sobre la disponibilidad de aparcamiento puede proporcionar muchas ventajas. Las actualizaciones en tiempo real ayudan a los conductores a ir directamente a los espacios abiertos, lo que hace que el flujo de tráfico sea más fluido y reduce el estrés de encontrar estacionamiento. Para los operadores, comprender cómo se utilizan los espacios significa que pueden administrar mejor el lote, mejorar la seguridad con monitoreo en tiempo real y responder rápidamente a cualquier incidente.

La automatización de las funciones de estacionamiento reduce los costos al reducir la necesidad de mano de obra. Los sistemas de IA facilitan la reserva de plazas de aparcamiento a través de aplicaciones móviles o web, lo que permite a los conductores recibir notificaciones sobre la disponibilidad y ahorrar tiempo y dinero. Los planificadores urbanos pueden utilizar estos datos para diseñar mejores trazados de carreteras, hacer cumplir normas de estacionamiento efectivas y desarrollar nuevas instalaciones de estacionamiento que hagan que las ciudades sean más eficientes y fáciles de navegar.

‍

Pruébelo usted mismo: Gestión de aparcamientos con YOLOv8

Ahora que tenemos una comprensión clara de la gestión de aparcamientos y sus ventajas, vamos a sumergirnos en cómo puede crear un sistema de gestión de aparcamientos basado en la visión. Usaremos el método YOLOv8 para detectar vehículos, monitorizar plazas de aparcamiento y determinar su estado de ocupación.

En este ejemplo, puede utilizar una transmisión de vídeo o cámara de un aparcamiento. Tenga en cuenta que el tamaño máximo de imagen admitido en este ejemplo es 1920 * 1080. Antes de empezar, recuerda que este sistema se basa en la detección precisa de vehículos y en las coordenadas predefinidas de las plazas de aparcamiento. 

La calibración de la cámara y los factores ambientales pueden afectar a la precisión de la detección de espacios y al estado de ocupación. La velocidad de procesamiento y la precisión también pueden variar en función del rendimiento de tu GPU.

Paso 1: Comencemos instalando el archivo Ultralytics paquete. Abra su símbolo del sistema o terminal y ejecute el siguiente comando.

pip install ultralytics

Refiérase a nuestro Ultralytics Guía de instalación para obtener instrucciones detalladas y mejores prácticas sobre el proceso de instalación. Si encuentra algún problema al instalar los paquetes necesarios para YOLOv8, nuestra guía de problemas comunes ofrece soluciones y consejos útiles.

Paso 2: Necesitamos preseleccionar lugares de estacionamiento para que podamos marcar las áreas de interés en su metraje. Ejecute este código para abrir la interfaz de usuario y preseleccionar las plazas de aparcamiento.

from ultralytics import solutions
solutions.ParkingPtsSelection()

Como se muestra a continuación, se abrirá una interfaz de usuario al ejecutar este código. Tome un fotograma o una captura de pantalla de su video de entrada de un estacionamiento y cárguelo. Después de dibujar cuadros delimitadores alrededor de las plazas de aparcamiento, haga clic en la opción Guardar. La información de su lugar de estacionamiento seleccionado se guardará en un archivo JSON llamado 'bounding_boxes.json'.

‍

Paso 3: Ahora, podemos saltar al código principal para la gestión de estacionamientos. Comience importando todas las bibliotecas necesarias e inicializando el archivo JSON que creamos en el paso 2.

import cv2
from ultralytics import solutions
polygon_json_path = "bounding_boxes.json"

Paso 4: Cree un objeto VideoCapture para leer el archivo de vídeo de entrada y asegurarse de que el archivo de vídeo se ha abierto correctamente.

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"

Paso 5: Inicializa todas las propiedades de video necesarias, como el ancho, el alto y el fotograma por segundo.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH,
cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

Paso 6: A continuación, podemos crear un objeto VideoWriter para guardar el archivo de video procesado final.

video_writer = cv2.VideoWriter("parking management.avi", 
cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h)) 

Paso 7: Aquí, inicializamos el sistema de gestión de estacionamiento con el comando Ultralytics YOLOv8 Modelo para la detección de plazas de aparcamiento.

management = solutions.ParkingManagement(model_path="yolov8n.pt")  

Paso 8: Ahora, revisamos el archivo de video, fotograma a fotograma, para procesarlo. Si no se leen fotogramas, el bucle se romperá.

while cap.isOpened():
  ret, im0 = cap.read()
  if not ret:
    break

Paso 9: Dentro del bucle, extraeremos las regiones de estacionamiento preseleccionadas del archivo JSON y rastrearemos los objetos en el marco usando el comando YOLOv8 modelo.

json_data = management.parking_regions_extraction(polygon_json_path)   
results = management.model.track(im0, persist=True, show=False)

Paso 10: Esta parte del bucle procesa los resultados del seguimiento y obtiene las coordenadas del cuadro delimitador y las etiquetas de clase de los objetos detectados.

if results[0].boxes.id is not None:
  boxes = results[0].boxes.xyxy.cpu().tolist()
  clss = results[0].boxes.cls.cpu().tolist()
  management.process_data(json_data, im0, boxes, clss)

Paso 11: La última parte del bucle consiste en mostrar el fotograma actual con anotaciones y escribir el fotograma procesado en el archivo de vídeo de salida "management.avi de estacionamiento".

management.display_frames(im0)
video_writer.write(im0)

Paso 12: Finalmente, podemos liberar los objetos VideoCapture y VideoWriter y destruir cualquier ventana.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

Paso 13: Guarde el script. Si está trabajando desde su terminal o símbolo del sistema, ejecute el script con el siguiente comando:

python your_script_name.py

Si el código se ejecuta correctamente, el archivo de vídeo de salida tendrá el siguiente aspecto:

‍

Siéntase libre de consultar Ultralytics' documentos oficiales si desea obtener más información sobre el código.

Desafíos de un sistema automatizado de gestión de estacionamientos

Los sistemas de aparcamiento inteligentes ofrecen muchas ventajas tanto a los conductores como a las empresas. Sin embargo, también presentan algunos desafíos que deben tenerse en cuenta antes de implementar tales soluciones. Echemos un vistazo a algunos de ellos.

• Preocupaciones sobre la privacidad: Estos sistemas recopilan información como la marca y el modelo del automóvil de una persona, el número de placa, la hora de entrada y salida, etc.
• Alto costo de instalación: Los sensores, las cámaras, las máquinas automáticas de venta de billetes y el software de IA pueden ser costosos de instalar. 
• Requisitos de mantenimiento: La frecuencia de mantenimiento depende del sistema de IA, pero la mayoría de los sistemas requieren un mantenimiento mensual.

El futuro de los sistemas de aparcamiento inteligentes

La gestión innovadora del aparcamiento en el futuro consistirá en utilizar tecnologías de vanguardia como la IA, los coches autónomos y la realidad virtual para mejorar la experiencia general de aparcamiento y apoyar la sostenibilidad. Cuando se integren con estos sistemas, los coches autónomos podrán desplazarse a los lugares de aparcamiento sin interferencia humana y aparcar. Estos sistemas también ayudan a las empresas a llenar más plazas de aparcamiento y a anunciar sus servicios en múltiples aplicaciones y sitios web. También reducen el número de emisiones de carbono que emanan de los conductores que conducen en busca de un lugar para estacionar.

Poner fin a los problemas de estacionamiento

Modelos de IA, como Ultralytics YOLOv8y la visión artificial puede transformar su estacionamiento.  Reducen drásticamente los círculos en busca de puntos, lo que le ahorra tiempo y reduce las emisiones.  Estos sistemas inteligentes de gestión de aparcamientos abordan problemas comunes como la congestión, el estacionamiento ilegal y la frustración de los conductores. Si bien hay una inversión inicial, los beneficios a largo plazo son significativos. Invertir en aparcamiento inteligente es clave para crear ciudades sostenibles y una experiencia de aparcamiento más fluida para todos.

¿Quieres saber más sobre la IA? ¡Conéctate con nuestra comunidad! Explore nuestro repositorio de GitHub para obtener más información sobre cómo estamos utilizando la IA para crear soluciones innovadoras en diversas industrias, como la atención médica y la agricultura. ¡Colabora, innova y aprende con nosotros! 🚀