Construis un système de RNA avec Ultralytics YOLO11 et GPT-4o Mini

Trouver une place de stationnement dans un parking bondé, attendre dans de longues files d'attente au péage ou rester bloqué aux points de contrôle de sécurité est frustrant. Les contrôles manuels des véhicules prennent souvent trop de temps et entraînent des retards. Sans système automatisé, suivre les voitures de manière efficace peut s'avérer difficile. 

La vision par ordinateur a changé la donne en permettant la reconnaissance en temps réel des plaques d'immatriculation à partir d'images et de flux vidéo. Par exemple , Ultralytics YOLO11 est un modèle avancé de vision par ordinateur qui peut effectuer des tâches avancées de Vision AI telles que la détection, la classification et le suivi d'objets. En utilisant les capacités de détection d'objets de YOLO11, tu peux détecter avec précision les plaques d'immatriculation des véhicules dans les images. 

Ultralytics propose des carnetsGoogle Colab complets qui simplifient le processus de création de solutions alimentées par Vision AI. Ces notebooks sont préconfigurés avec des dépendances essentielles, des modèles et des guides étape par étape, ce qui facilite la création d'applications. Il existe notamment un notebook Colab dédié à la RAPI (reconnaissance automatique des plaques d'immatriculation).

Dans cet article, en utilisant le carnet Ultralytics Colab pour la RAPI, nous allons explorer comment construire une solution de RAPI en utilisant Ultralytics YOLO11 pour la détection des plaques d'immatriculation et GPT-4o Mini pour la reconnaissance de texte. 

Comprendre l'ANPR 

Le suivi manuel des voitures prend beaucoup de temps et est sujet à des erreurs, surtout lorsqu'elles se déplacent rapidement. Vérifier chaque plaque d'immatriculation une par une ralentit le processus et augmente le risque d'erreurs. La reconnaissance automatique des plaques d' immatriculation résout ce problème en utilisant la vision par ordinateur pour détecter et lire les plaques d'immatriculation instantanément, ce qui rend la surveillance du trafic et la sécurité plus efficaces.

Les systèmes ANPR peuvent capturer des images ou des vidéos des véhicules qui passent et utiliser la détection d'objets en temps réel pour identifier les plaques d'immatriculation. Une fois détectée, la reconnaissance de texte est utilisée pour extraire les numéros de plaque automatiquement, sans intervention humaine. Ce processus garantit des résultats précis, même lorsque les véhicules se déplacent rapidement ou que les plaques sont partiellement masquées.

‍

De nos jours, les postes de péage, les systèmes de stationnement et les forces de l'ordre s'appuient de plus en plus sur la RAPI pour suivre efficacement les véhicules.

Défis liés à la technologie ANPR

Bien que la RAPI identifie rapidement les véhicules, il y a encore quelques défis qui peuvent affecter sa précision. Voici quelques problèmes courants qui peuvent avoir un impact sur le fonctionnement d'un système de RAPI :

• Faible luminosité et mauvais temps : Les plaques d'immatriculation deviennent plus difficiles à lire la nuit et par mauvais temps. Le brouillard, la pluie et l'éblouissement des phares peuvent brouiller le texte et le rendre illisible.
• Plaques floues ou bloquées : Une voiture qui roule vite peut laisser une image floue, surtout si la vitesse d'obturation de l'appareil photo est trop lente. La saleté, les rayures ou les parties de la plaque recouvertes peuvent également causer des problèmes de reconnaissance. L'utilisation d'appareils photo de haute qualité avec les bons réglages permet d'obtenir des résultats plus clairs.
• Des conceptions de plaques incohérentes : Toutes les plaques ne se ressemblent pas. Certaines ont des polices fantaisistes, du texte supplémentaire ou des logos qui embrouillent le système.
• Risques d'atteinte à la vie privée et sécurité des données : Il est important de stocker les données des véhicules en toute sécurité. Les bonnes mesures de sécurité peuvent empêcher les accès non autorisés et garder les informations protégées. Avec des mesures de protection appropriées, les systèmes de RAPI peuvent être à la fois sûrs et fiables.

Comment YOLO11 améliore les systèmes de RPA

Ultralytics YOLO11 peut rendre les systèmes de reconnaissance automatique de plaques d'immatriculation plus rapides et plus précis. Il traite les images rapidement tout en maintenant la précision et ne nécessite pas une grande puissance de calcul, il fonctionne donc bien sur tout, des petites caméras de sécurité aux grands systèmes de circulation.

Grâce à un entraînement personnalisé, YOLO11 peut être adapté à différents styles de plaques d'immatriculation, à différentes langues et à différents environnements. Il donne également de bons résultats dans des conditions difficiles comme la faible luminosité, le flou de mouvement et les angles difficiles lorsqu'il est entraîné sur mesure sur des ensembles de données spécialisés qui comprennent des images dans ces conditions.

En identifiant instantanément les véhicules, YOLO11 permet de réduire les temps d'attente, d'éviter les erreurs et d'améliorer la sécurité. Cela rend la circulation plus fluide et les opérations plus efficaces dans les parkings, les postes de péage et les systèmes de surveillance.

Construire un système de RNA avec YOLO11 et GPT-4o Mini

Ensuite, voyons comment construire un système de contrôle d'accès à l'aide de YOLO11 et de GPT-4o Mini. 

Nous allons explorer le code présenté dans le carnet Ultralytics Google Collab pour cette solution. Le carnet Google Colab est facile à utiliser et n'importe qui peut créer un système de RNA sans avoir besoin d'une configuration compliquée.

Étape 1 : Mise en place de l'environnement

Pour commencer, nous devons installer nos dépendances, c'est-à-dire les logiciels et les bibliothèques essentiels au fonctionnement de notre système de RNA. Ces dépendances contribuent à des tâches telles que la détection d'objets, le traitement d'images et la reconnaissance de texte, garantissant ainsi le bon fonctionnement du système.

Nous allons installer le paquetagePython Ultralytics comme indiqué ci-dessous. Ce package fournit des modèles pré-entraînés, des utilitaires d'entraînement et des outils d'inférence, ce qui facilite la détection et la reconnaissance des plaques d'immatriculation avec YOLO11.

‍

Nous devrons également configurer GPT-4o Mini pour la reconnaissance de texte. Étant donné que GPT-4o Mini est chargé d'extraire le texte des plaques détectées, nous avons besoin d'une clé API pour accéder au modèle. Cette clé peut être obtenue en s'inscrivant à l'API de GPT-4o Mini. Une fois que tu as la clé, elle peut être ajoutée au carnet Colab pour que le système puisse se connecter au modèle et traiter les numéros de plaque.

Après avoir terminé la configuration et exécuté le code d'installation, YOLO11 sera prêt à détecter les plaques d'immatriculation, et GPT-4o Mini sera configuré pour reconnaître et extraire le texte de ces plaques.

Étape 2 : Télécharger le modèle formé sur mesure

Maintenant que tout est configuré, l'étape suivante consiste à télécharger le modèle YOLO11 qui a été entraîné sur mesure pour détecter les plaques d'immatriculation. Comme ce modèle a déjà été entraîné à détecter les plaques d'immatriculation, il n'est pas nécessaire de l'entraîner à partir de zéro. Tu peux simplement le télécharger et il est prêt à être utilisé. Cela permet de gagner du temps et de rendre le processus beaucoup plus facile.

Nous téléchargerons également un exemple de fichier vidéo pour tester le système. Si tu le souhaites, tu peux également exécuter cette solution sur tes propres fichiers vidéo. Une fois téléchargés, le modèle et les fichiers vidéo seront stockés dans l'environnement de l'ordinateur portable.

‍

Étape 3 : charger la vidéo et commencer la détection

Une fois que le modèle est prêt, il est temps de le voir en action. Tout d'abord, le fichier vidéo est chargé pour être traité, en s'assurant qu'il s'ouvre correctement. Un graveur vidéo est ensuite configuré pour enregistrer les séquences traitées avec les plaques d'immatriculation détectées tout en conservant la taille et la fréquence d'images d'origine. Enfin, le modèle est chargé de détecter les plaques d'immatriculation dans chaque image de la vidéo.

‍

Une fois le modèle chargé, le système commence à analyser chaque image de la vidéo pour détecter les plaques d'immatriculation. Lorsqu'une plaque est trouvée, le système la met en évidence à l'aide d'une boîte de détection, ce qui permet de l'identifier facilement. Cette étape permet de s'assurer que seuls les détails pertinents sont capturés, en filtrant les informations d'arrière-plan inutiles. Les plaques ayant été détectées avec succès, la vidéo est maintenant prête pour l'étape suivante.

Étape 4 : Extraire le texte des plaques d'immatriculation

Après avoir détecté une plaque d'immatriculation, l'étape suivante est la reconnaissance du texte. Le système commence par découper la plaque dans l'image vidéo, en éliminant toute distraction pour obtenir une vue claire. Cela permet de se concentrer sur les détails et d'améliorer la précision, même dans des conditions difficiles comme une faible luminosité ou un flou de mouvement.

Une fois la plaque isolée, GPT-4o Mini analyse l'image, extrait les chiffres et les lettres et les convertit en texte lisible. Le texte reconnu est ensuite ajouté à la vidéo, étiquetant chaque plaque détectée en temps réel.

Une fois ces étapes terminées, le système de RNA est entièrement fonctionnel et prêt à reconnaître facilement les plaques d'immatriculation. 

Étape 5 : Enregistrement de la vidéo traitée

La dernière étape enregistre la vidéo traitée et nettoie les fichiers temporaires, pour s'assurer que tout se passe bien. 

Chaque image traitée, avec les plaques détectées et le texte reconnu, est écrite dans la vidéo de sortie finale. Une fois que toutes les images ont été traitées, le système ferme le fichier vidéo qu'il lisait, libérant ainsi de la mémoire et des ressources système. Il finalise et enregistre également la vidéo de sortie, la rendant prête à être lue ou à faire l'objet d'une analyse plus poussée.

‍

Déployer un système de RNA

Après avoir construit et testé une solution de RNA, l'étape suivante consiste à la déployer dans un environnement réel. La plupart des modèles d'IA de vision dépendent d'un calcul haute performance, mais Ultralytics YOLO11 est optimisé pour l'Edge AI. Il peut fonctionner efficacement sur de petits appareils sans nécessiter de traitement dans le nuage ou de connexion Internet constante, ce qui en fait un excellent choix pour les lieux disposant de ressources limitées.

Par exemple, une communauté fermée peut déployer YOLO11 sur un appareil périphérique pour identifier les véhicules lorsqu'ils entrent, ce qui élimine le besoin de gros serveurs. Tout est traité sur place en temps réel, ce qui garantit un accès fluide, une réduction des embouteillages et une sécurité renforcée.

‍

Parallèlement, dans les zones où la connectivité Internet est stable, la RAPI basée sur le cloud peut gérer plusieurs caméras simultanément. Par exemple, dans un centre commercial, il peut suivre les véhicules à travers différentes entrées et stocker les numéros de plaque dans un système central, ce qui facilite la surveillance du stationnement, l'amélioration de la sécurité et la gestion du flux de véhicules à distance.

Le chemin à parcourir pour l'ANPR

La mise en place d'un système de reconnaissance automatique des plaques d'immatriculation (RAPI) est simple avec Ultralytics YOLO11. Il détecte avec précision les plaques d'immatriculation et peut être formé sur mesure pour s'adapter à différents environnements et exigences.

Les systèmes ANPR renforcent la sécurité, rationalisent la gestion des parkings et améliorent la surveillance du trafic. En automatisant la reconnaissance des plaques d'immatriculation, ils réduisent les erreurs, accélèrent l'identification et rendent le suivi des véhicules plus efficace dans diverses applications.

Rejoins notre communauté et visite notre dépôt GitHub pour voir l'IA en action. Explore nos options de licence et découvre plus en détail Vision AI in manufacturing et AI in self-driving cars sur nos pages de solutions.