Utilización de Ultralytics YOLO11 para el reconocimiento automático de matrículas

Cómo funciona el reconocimiento automático de matrículas

El reconocimiento automático de matrículas implica unos cuantos pasos importantes para identificar con rapidez y precisión las matrículas de los vehículos. Veamos cómo se combinan estos pasos para que el proceso sea eficaz:

• Captura de imágenes: En primer lugar, se utilizan cámaras para captar imágenes de los vehículos. Estas cámaras pueden instalarse en lugares fijos, como cabinas de peaje, o montarse en vehículos policiales para su movilidad.
  ‍
• Detección de matrículas: A continuación, se utilizan modelos de detección de objetos como YOLO11 para encontrar la matrícula en la imagen.
  ‍
• Reconocimiento óptico de caracteres (OCR): A continuación, se utiliza el OCR para leer los caracteres de la placa (en la imagen), convirtiéndolos en texto legible por máquina.
  ‍
• Búsqueda en la base de datos: Los datos de texto se cotejan con una base de datos para confirmar la información de la matrícula.

‍

Los sistemas ANPR pueden enfrentarse a menudo a retos como una iluminación deficiente, diferentes diseños de placas y condiciones ambientales difíciles. YOLO11 puede ayudar a resolver estos problemas aumentando la precisión y la velocidad de detección, incluso en condiciones difíciles. Con modelos como YOLO11, el ANPR puede funcionar de forma más fiable, facilitando la identificación de matrículas en tiempo real, ya sea de día o de noche, o con mal tiempo. En la siguiente sección, veremos más de cerca cómo puede utilizar YOLO11 para conseguir estas mejoras.

Cómo YOLO11 puede mejorar un sistema ANPR

Ultralytics YOLO11 se presentó por primera vez en el evento híbrido anual de Ultralytics, YOLO Vision 2024 (YV24). Como modelo de detección de objetos compatible con aplicaciones en tiempo real, YOLO11 es una gran opción para mejorar innovaciones como los sistemas ANPR. YOLO11 también es adecuado para aplicaciones de inteligencia artificial en el borde . Esto permite que las soluciones ANPR integradas con YOLO11 funcionen eficazmente, incluso cuando la conexión de red no es fiable. Como resultado, los sistemas ANPR pueden funcionar sin problemas en lugares remotos o zonas con conectividad limitada.

YOLO11 también aporta mejoras de eficiencia en comparación con sus predecesores. Por ejemplo, YOLO11m consigue una mayor precisión media (mAP ) en el conjunto de datos COCO con un 22% menos de parámetros que YOLOv8m. Con YOLO11, los sistemas ANPR pueden afrontar mejor diversos retos, como las condiciones cambiantes de iluminación, los diversos diseños de las matrículas y los vehículos en movimiento, lo que se traduce en un reconocimiento de matrículas más fiable y eficaz.

‍

Si se pregunta cómo puede utilizar YOLO11 en su proyecto ANPR, es muy sencillo. Las variaciones de los modelos YOLO11 que admiten la detección de objetos han sido preentrenadas en el conjunto de datos COCO. Estos modelos pueden detectar 80 tipos diferentes de objetos, como coches, bicicletas y animales. Aunque las matrículas no forman parte de las etiquetas preentrenadas, los usuarios pueden personalizar fácilmente YOLO11 para que detecte matrículas utilizando el paquete Python de Ultralytics o la plataforma sin código Ultralytics HUB. Los usuarios tienen la flexibilidad de crear o utilizar un conjunto de datos dedicado a matrículas para que su modelo YOLO11 entrenado a medida sea perfecto para ANPR.

Aplicaciones de un sistema ANPR integrado con YOLO11

A continuación, examinaremos las distintas aplicaciones en las que ANPR y YOLO11 pueden utilizarse conjuntamente para mejorar la eficacia y la precisión.

Detección de matrículas en tiempo real para las fuerzas de seguridad y tráfico

En las bulliciosas ciudades con coches circulando por intersecciones y carreteras, los agentes de tráfico tienen que gestionar la congestión, controlar las infracciones de tráfico y garantizar la seguridad pública. ANPR, cuando se integra con YOLO11, puede marcar una gran diferencia en estos esfuerzos. Al reconocer las matrículas de los vehículos al instante, las autoridades pueden vigilar el flujo del tráfico, hacer cumplir las leyes de tráfico e identificar rápidamente los vehículos implicados en infracciones. Por ejemplo, los vehículos que circulan con exceso de velocidad pueden ser fácilmente señalados. 

‍

En general, ANPR con YOLO11 puede automatizar tareas que de otro modo requerirían un esfuerzo manual. Puede detectar vehículos que se saltan semáforos en rojo y gestionar las operaciones de las cabinas de peaje. La automatización de estas tareas no sólo hace que el sistema sea más eficiente, sino que también reduce la carga de trabajo de los agentes de tráfico, permitiéndoles centrarse en responsabilidades más críticas.

En la aplicación de la ley, YOLO11 y ANPR pueden trabajar juntos para rastrear vehículos robados e identificar a los señalados por actividades sospechosas. La detección en tiempo real de YOLO11 garantiza un reconocimiento rápido y fiable de los vehículos, incluso cuando circulan a gran velocidad. Esta capacidad ayuda a mejorar la seguridad pública al permitir tiempos de respuesta más rápidos y una aplicación de la ley más eficaz.

Sistemas avanzados de gestión de aparcamientos y ANPR

Otra aplicación interesante de ANPR con YOLO11 es en los sistemas de gestión de aparcamientos. Por ejemplo, permite aparcamientos en los que los coches pueden entrar, aparcar y salir sin que el conductor tenga que interactuar con una máquina expendedora de billetes o un empleado. Los sistemas de aparcamiento ANPR que utilizan YOLO11 pueden facilitar los procesos de entrada, salida y pago.

‍

Cuando un vehículo se acerca a la puerta de entrada, el sistema ANPR de YOLO11 reconoce la matrícula al instante. A continuación, el sistema coteja la matrícula con una base de datos prerregistrada o crea una nueva entrada. La puerta se abre automáticamente y el vehículo puede entrar sin necesidad de ningún paso manual. La agilización del proceso supone una experiencia más cómoda para los conductores.

Del mismo modo, cuando un vehículo se marcha, el sistema detecta de nuevo la matrícula utilizando YOLO11. Calcula el tiempo de estacionamiento y puede procesar automáticamente el pago si el vehículo está registrado con un método de pago. La automatización elimina la necesidad de máquinas físicas de pago y ayuda a reducir la congestión en las salidas, especialmente en horas punta.

La capacidad de YOLO11 para detectar matrículas con precisión y en tiempo real es clave para que estos sistemas de gestión de aparcamientos funcionen sin problemas. Además de hacer más cómodo el aparcamiento, ayuda a los operadores a gestionar mejor sus instalaciones reduciendo el trabajo manual y mejorando la fluidez del tráfico.

Utilización de ANPR para el control de acceso en sistemas de seguridad

Los sistemas ANPR integrados con YOLO11 son una gran opción para gestionar el acceso a zonas seguras como comunidades cerradas, campus corporativos e instalaciones restringidas. Mediante el uso de ANPR, estos lugares pueden automatizar su seguridad, asegurándose de que sólo se permite la entrada a los vehículos autorizados.

‍

Es similar al sistema de gestión de aparcamientos del que hemos hablado antes. La principal diferencia es que el sistema coteja la matrícula con una lista de vehículos autorizados. Si el vehículo está autorizado, la puerta se abre automáticamente, proporcionando un acceso fluido a residentes, empleados o visitantes, al tiempo que se mantiene la seguridad. El proceso reduce la necesidad de comprobaciones manuales, lo que permite al personal de seguridad centrarse en tareas más importantes.

Los sistemas ANPR son una parte fundamental del futuro de las ciudades inteligentes

Ahora que hemos recorrido algunas aplicaciones de sistemas ANPR integrados con YOLO11, pensemos en estas aplicaciones de una manera más conectada. 

Más allá de ser aplicaciones individuales, sus ventajas realmente brillan cuando se ven como una solución cohesionada en la infraestructura urbana para ciudades inteligentes. A medida que las ciudades evolucionan para ser más inteligentes, los sistemas ANPR desempeñan un papel cada vez más importante en las infraestructuras urbanas.

Por ejemplo, pensemos en una ciudad inteligente en la que el reconocimiento automático de matrículas se utilice para gestionar el tráfico, garantizar la seguridad de los accesos y agilizar el aparcamiento, todo a la vez. Un vehículo podría ser detectado al entrar en la ciudad, rastreado en todo momento, autorizado a acceder a zonas restringidas y aparcado sin intervención manual. 

Mediante la integración de modelos de visión por ordenador como YOLO11, los sistemas ANPR pueden ayudar a gestionar el tráfico de forma más eficiente, aumentar la seguridad y mejorar la seguridad pública. Estos sistemas permiten la supervisión en tiempo real, los procesos automatizados y la toma de decisiones basada en datos, esenciales para gestionar la creciente complejidad de las ciudades modernas. 

Un último vistazo a ANPR con YOLO11 

Los sistemas ANPR se están convirtiendo en esenciales para las infraestructuras urbanas modernas, y la integración de modelos de visión por ordenador como YOLO11 los hace aún más beneficiosos. YOLO11 mejora los sistemas ANPR con mayor precisión, procesamiento en tiempo real y adaptabilidad, lo que los hace ideales para aplicaciones de ciudades inteligentes. Desde la mejora de la gestión del tráfico y el cumplimiento de la ley hasta la automatización de aparcamientos y accesos seguros, los sistemas ANPR con YOLO11 aportan eficacia y fiabilidad. A medida que las ciudades se vuelven más inteligentes, estas soluciones desempeñarán probablemente un papel crucial en la transformación de la vida urbana y en el apoyo al futuro de las infraestructuras inteligentes.

Para obtener más información sobre la IA, visite nuestro repositorio de GitHub y participe en nuestra comunidad. Explore las aplicaciones de IA en fabricación y agricultura en nuestras páginas de soluciones. 🚀