Ultralytics YOLO11 GPT-4o MiniでANPRシステムを構築する

混雑した駐車場で駐車場を探したり、長い料金所の列に並んだり、保安検査場で立ち往生したりするのはイライラするものだ。手動の車両チェックは時間がかかりすぎ、遅れの原因になることが多い。自動化されたシステムがなければ、効率的に車を追跡することは困難です。 

コンピュータ・ビジョンは、画像やビデオストリームからリアルタイムでナンバープレートを認識することを可能にし、この状況を変えた。例えば Ultralytics YOLO11は、物体検出、分類、追跡などの高度なビジョンAIタスクを実行できる高度なコンピュータビジョンモデルです。YOLO11物体検出能力を使えば、画像内の車両ナンバープレートを正確に検出することができます。 

Ultralytics 、Vision AI搭載ソリューションの構築プロセスを簡素化する包括的なGoogle Colabノートブックを提供しています。これらのノートブックには必要不可欠な依存関係、モデル、ステップバイステップのガイドがあらかじめ設定されており、アプリケーションの作成が簡単になります。特に、ANPR（自動ナンバープレート認識）専用のColabノートブックがあります。

この記事では、Ultralytics Colab notebook for ANPRを使用して、ナンバープレート検出用のUltralytics YOLO11 テキスト認識用のGPT-4o Miniを使用したANPRソリューションの構築方法を探ります。 

ANPRを理解する 

手作業で車を追跡するのは時間がかかり、ミスが起こりやすい。ナンバープレートを1つ1つ確認するのはプロセスを遅らせ、ミスのリスクを高める。 自動ナンバープレート認識は、コンピューター・ビジョンを使ってナンバープレートを瞬時に検出・読み取り、交通監視と警備をより効率的にすることで、この問題を解決する。

ANPRシステムは、通過する車両の画像またはビデオをキャプチャし、リアルタイムの物体検出を使用してナンバープレートを識別することができます。検出されたナンバープレートは、テキスト認識によって自動的に抽出されます。このプロセスにより、車両の動きが速い場合やナンバープレートが部分的に見えない場合でも、正確な結果が得られます。

‍

現在、料金所、駐車場システム、法執行機関では、車両を効率的に追跡するためにANPRを利用するケースが増えている。

ANPR技術に関する課題

ANPRは素早く車両を識別しますが、その精度に影響する課題もあります。ここでは、ANPRシステムの動作に影響を与える可能性のある一般的な問題をいくつか紹介します：

• 低照度と悪天候：ナンバープレートは夜間や悪天候になると読みにくくなる。霧や雨、ヘッドライトのまぶしさによって文字がぼやけ、読めなくなることがある。
• プレートのブレやブロック：特にカメラのシャッタースピードが遅すぎる場合、高速で移動する車の画像が不鮮明になることがある。また、汚れや傷、プレートの一部が覆われている場合も、認識に問題が生じることがある。高品質のカメラを適切な設定で使用することで、より鮮明な結果を得ることができる。
• 一貫性のないプレートデザイン：すべてのプレートが同じように見えるわけではない。派手なフォントや余分なテキスト、ロゴがシステムを混乱させるものもある。
• プライバシーリスクとデータセキュリティ：車両データを安全に保管することは重要です。適切なセキュリティ対策により、不正アクセスを防ぎ、情報を保護することができます。適切なセーフガードにより、ANPRシステムは安全で信頼性の高いものとなります。

YOLO11 AMPRシステムを改善する方法

Ultralytics YOLO11 11は、ANPRシステムをより速く、より正確にすることができます。精度を保ちながら素早く画像を処理し、重い計算能力を必要としないため、小型の防犯カメラから大型の交通システムまで、あらゆるものに対応します。

カスタムトレーニングにより、YOLO11 異なるナンバープレートのスタイル、言語、環境に適応させることができます。また、低照度、モーションブラー、難しいアングルなどの厳しい条件下でも、これらの条件の画像を含む特殊なデータセットでカスタムトレーニングすることで、優れた性能を発揮します。

YOLO11 、車両を瞬時に識別することで、待ち時間の短縮、エラーの防止、セキュリティの向上に貢献します。これにより、駐車場、料金所、監視システムにおいて、交通の流れがスムーズになり、業務が効率化されます。

YOLO11 GPT-4o MiniによるAMPRシステムの構築

次に、YOLO11 GPT-4o Miniを使ってANPRシステムを構築する方法を説明しよう。 

このソリューションのために、Ultralytics Google Collab notebookで紹介されているコードを探ります。Google Collabnotebookは使いやすく、複雑な設定をしなくても誰でもANPRシステムを作ることができる。

ステップ1：環境のセットアップ

開始するには、依存関係、つまりANPRシステムの実行に必要不可欠なソフトウェアパッケージやライブラリをインストールする必要があります。これらの依存関係は、物体検出、画像処理、テキスト認識などのタスクを支援し、システムの効率的な動作を保証します。

以下に示すように、Ultralytics Python パッケージをインストールする。このパッケージは、事前に学習されたモデル、学習ユーティリティ、推論ツールを提供し、YOLO11使ったナンバープレートの検出と認識を容易にします。

‍

また、テキスト認識用にGPT-4o Miniをセットアップする必要がある。GPT-4o Miniは検出されたプレートからテキストを抽出する役割を担っているため、モデルにアクセスするためのAPIキーが必要です。このキーはGPT-4o MiniのAPIにサインアップすることで取得できます。キーを取得したら、Colabノートブックに追加し、システムがモデルに接続してプレート番号を処理できるようにします。

セットアップを完了し、インストールコードを実行すると、YOLO11 ナンバープレートを検出する準備ができ、GPT-4o Miniはナンバープレートを認識してテキストを抽出するようにセットアップされます。

ステップ2: カスタムトレーニングモデルのダウンロード

すべてのセットアップが完了したので、次のステップは、ナンバープレートを検出するようにカスタムトレーニングされたYOLO11 モデルをダウンロードすることです。このモデルはすでにナンバープレートを検出するようにトレーニングされているので、ゼロからトレーニングする必要はない。ダウンロードするだけですぐに使えます。これにより、時間を節約し、プロセスをより簡単にすることができます。

また、システムをテストするためのサンプル・ビデオ・ファイルをダウンロードします。必要であれば、ご自身のビデオファイルでもこのソリューションを実行できます。ダウンロードしたモデルとビデオファイルは、ノートブック環境に保存されます。

‍

ステップ 3: ビデオをロードして検出を開始する

モデルの準備ができたら、いよいよ実際に見てみよう。まず、ビデオファイルが処理のために読み込まれ、正しく開くことが確認される。次に、オリジナルのサイズとフレームレートを維持しながら、検出されたナンバープレートとともに処理された映像を保存するためにビデオライターがセットアップされます。最後に、ビデオの各フレームでナンバープレートを検出するモデルが読み込まれる。

‍

モデルがロードされると、システムはナンバープレートを検出するためにビデオの各フレームの分析を開始する。ナンバープレートが見つかると、システムはそれを検出ボックスで強調表示し、識別を容易にします。このステップにより、不必要な背景情報がフィルタリングされ、関連する詳細情報のみがキャプチャされます。ナンバープレートの検出が成功すると、ビデオは次の段階に進むことができる。

ステップ4：ナンバープレートからのテキスト抽出

ナンバープレートを検出したら、次はテキスト認識だ。システムはまず、ビデオフレームからプレートを切り抜き、クリアな視界のために邪魔なものを取り除きます。これにより、細部に焦点を合わせることができ、低照度やモーションブラーのような厳しい条件下でも精度が向上します。

プレートが分離されると、GPT-4o Miniは画像を分析し、数字や文字を抽出し、読み取り可能なテキストに変換します。認識されたテキストはビデオに追加され、検出された各プレートにリアルタイムでラベル付けされます。

これらの手順が完了すれば、ANPRシステムは完全に機能し、ナンバープレートを簡単に認識できるようになる。 

ステップ5：処理したビデオを保存する

最後のステップでは、処理されたビデオを保存し、一時ファイルをクリーンアップして、すべてがスムーズに実行されるようにします。 

検出されたプレートと認識されたテキストを含む処理された各フレームは、最終的な出力ビデオに書き込まれる。すべてのフレームが処理されると、システムは読み込んでいたビデオファイルを閉じ、メモリとシステムリソースを解放します。また、出力ビデオをファイナライズして保存し、再生やさらなる分析ができるようにします。

‍

ANPRシステムの導入

AMPRソリューションを構築し、テストした後、次のステップは実環境での展開です。ほとんどのVision AIモデルは高性能コンピューティングに依存していますが、Ultralytics YOLO11 11はエッジAIに最適化されています。クラウド処理や常時インターネット接続を必要とせず、小型デバイスで効率的に実行できるため、リソースが限られている場所に最適です。

例えば、ゲーテッド・コミュニティでは、エッジ・デバイスにYOLO11 導入することで、車両が進入する際に車両を識別し、大規模なサーバーを不要にすることができる。すべてがリアルタイムでオンサイト処理され、スムーズなアクセス、混雑の緩和、セキュリティの強化が保証される。

‍

一方、インターネット接続が安定している地域では、クラウドベースのANPRは複数のカメラを同時に扱うことができる。例えば、ショッピングモールでは、さまざまな入り口の車両を追跡し、プレート番号を中央システムに保存することができるため、駐車場の監視、セキュリティの向上、車両の流れの遠隔管理が容易になる。

ANPRの前途

自動ナンバープレート認識（ANPR）システムのセットアップは、Ultralytics YOLO11使えば簡単です。正確にナンバープレートを検出し、異なる環境や要件に適応するようにカスタムトレーニングすることができます。

ANPRシステムは、セキュリティを強化し、駐車場管理を合理化し、交通監視を改善します。ナンバープレート認識を自動化することで、エラーを減らし、識別を迅速化し、さまざまなアプリケーションで車両追跡を効率化します。

私たちのコミュニティに参加し、GitHubリポジトリでAIの動きをご覧ください。私たちのライセンスオプションを検討し、ソリューションのページで製造業におけるVision AIと 自動運転車におけるAIの詳細をご覧ください。