Ultralytics YOLOv8 voor slimmere parkeerbeheersystemen

Het kan stressvol zijn om rondjes te rijden op zoek naar een parkeerplaats, vooral als je al laat bent. De traditionele manier van zoeken naar een parkeerplaats kan vervelend en tijdrovend zijn. Een parkeerbeheersysteem dat wordt aangestuurd door kunstmatige intelligentie (AI) en computervisie kan de zaken echter eenvoudiger maken. Het kan de beschikbaarheid van parkeerplaatsen voorspelbaarder maken en verkeersopstoppingen verminderen.

In dit artikel leren we hoe je parkeerbeheersystemen kunt upgraden met kunstmatige intelligentie en computervisie. We nemen ook een stap-voor-stap coderingsvoorbeeld door om te laten zien hoe je het Ultralytics YOLOv8 model kunt gebruiken om een parkeerbeheersysteem met computervisie te maken. Laten we er meteen in duiken!

Problemen met traditioneel parkeerterreinbeheer

Voordat we ingaan op slimme parkeerbeheersystemen met AI, kijken we eerst naar de problemen met traditionele parkeerbeheersystemen.

Een groot probleem met traditionele systemen is overvolle parkeerplaatsen; er zijn meer auto's op parkeerplaatsen dan beschikbare plaatsen. Naast tijdverlies door het zoeken naar ruimte, leidt overbevolking tot overmatig brandstofverbruik en luchtvervuiling. Een ander probleem is stress bij de bestuurder. Volgens een onderzoek besteedt ongeveer 27% van de mensen minstens 30 minuten aan het zoeken naar een parkeerplaats. Ook gaf 43% van de mensen toe dat ze verbale ruzie kregen met vreemden over parkeerplaatsen.

‍

AI maakt parkeerterreinbeheer eenvoudiger

Parkeerterreinen geïntegreerd met AI zijn bedoeld om de problemen op te lossen waar traditionele parkeerbeheersystemen mee te maken hebben. Computer vision modellen zoals het Ultralytics YOLOv8 model en high-definition camera's kunnen parkeerplaatsen bewaken en real-time updates krijgen over beschikbare en bezette parkeerplaatsen. 

Hoe werkt dit? Een computervisiemodel kan beelden van high-definition camera's analyseren om voertuigen te detecteren, hun bewegingen te volgen en beschikbare parkeerplaatsen te identificeren. Het Ultralytics YOLOv8 model ondersteunt computervisietaken zoals objectdetectie en het volgen van objecten, en kan voertuigen binnen een video nauwkeurig identificeren en classificeren. Door de gedetecteerde locaties van de voertuigen te vergelijken met de vooraf gedefinieerde parkeerplaatsen, kan het systeem bepalen of een parkeerplaats bezet is of niet.

‍

Informatie over de beschikbaarheid van parkeerplaatsen uit het vision-gebaseerde systeem kan worden geïntegreerd en uitgebreid naar verschillende toepassingen:

• Mobiele apps: Mobiele applicaties kunnen de beschikbaarheid van parkeerplaatsen in realtime weergeven en bestuurders helpen om snel en gemakkelijk beschikbare plekken te vinden.
• Digitale bewegwijzering: Digitale borden bij ingangen van parkeerplaatsen kunnen het aantal beschikbare plaatsen aangeven en bestuurders naar de dichtstbijzijnde vrije plek leiden.
• Geautomatiseerde parkeersystemen: De gegevens kunnen worden gebruikt om automatische slagbomen en poorten te besturen, zodat ze alleen toegang verlenen als er plaatsen beschikbaar zijn en bestuurders naar de dichtstbijzijnde vrije plek leiden.

De voordelen van een parkeerbeheersysteem

Inzicht in de beschikbaarheid van parkeerplaatsen kan veel voordelen bieden. Realtime updates helpen bestuurders om direct naar vrije plaatsen te gaan, waardoor het verkeer vlotter doorstroomt en er minder stress is bij het zoeken naar een parkeerplaats. Voor beheerders betekent inzicht in het gebruik van parkeerplaatsen dat ze de parkeerplaats beter kunnen beheren, de veiligheid kunnen verbeteren met realtime monitoring en snel kunnen reageren op incidenten.

Het automatiseren van parkeerfuncties verlaagt de kosten doordat er minder handmatig werk nodig is. AI-systemen maken het makkelijker om parkeerplaatsen te reserveren via mobiele of webapps, waardoor bestuurders meldingen ontvangen over de beschikbaarheid en tijd en geld besparen. Stadsplanners kunnen deze gegevens gebruiken om betere wegindelingen te ontwerpen, effectieve parkeerregels af te dwingen en nieuwe parkeerfaciliteiten te ontwikkelen die steden efficiënter en makkelijker navigeerbaar maken.

‍

Probeer het zelf: Parkeerbeheer met behulp van YOLOv8

Nu we een duidelijk begrip hebben van parkeerbeheer en de voordelen ervan, laten we eens kijken hoe je een op visie gebaseerd parkeerbeheersysteem kunt bouwen. We gebruiken het YOLOv8 model om voertuigen te detecteren, parkeerplaatsen te bewaken en hun bezettingsstatus te bepalen.

In dit voorbeeld kun je een video- of camerastream van een parkeerplaats gebruiken. Houd er rekening mee dat de maximaal ondersteunde afbeeldingsgrootte in dit voorbeeld 1920 * 1080 is. Onthoud voordat we beginnen dat dit systeem afhankelijk is van nauwkeurige voertuigdetectie en vooraf gedefinieerde parkeerplekcoördinaten. 

Camerakalibratie en omgevingsfactoren kunnen de nauwkeurigheid van ruimtedetectie en bezettingsstatus beïnvloeden. De verwerkingssnelheid en nauwkeurigheid kunnen ook variëren op basis van de prestaties van je GPU.

Stap 1: Laten we beginnen met het installeren van het Ultralytics pakket. Open je opdrachtprompt of terminal en voer het volgende commando uit.

pip install ultralytics

Raadpleeg onze Ultralytics Installatiegids voor gedetailleerde instructies en best practices voor het installatieproces. Als je problemen ondervindt tijdens het installeren van de vereiste pakketten voor YOLOv8, biedt onze gids voor veelvoorkomende problemen oplossingen en nuttige tips.

Stap 2: We moeten parkeerplekken voorselecteren zodat we de interessante gebieden in je opnamen kunnen markeren. Voer deze code uit om de gebruikersinterface te openen om parkeerplaatsen voor te selecteren.

from ultralytics import solutions
solutions.ParkingPtsSelection()

Zoals hieronder te zien is, wordt er een gebruikersinterface geopend wanneer je deze code uitvoert. Maak een frame of screenshot van je invoervideo van een parkeerplaats en upload deze. Nadat je bounding boxes rond de parkeerplaatsen hebt getekend, klik je op de optie opslaan. Je geselecteerde parkeerplekinformatie wordt opgeslagen in een JSON-bestand met de naam 'bounding_boxes.json'.

‍

Stap 3: Nu kunnen we beginnen met de hoofdcode voor parkeerbeheer. Begin met het importeren van alle benodigde bibliotheken en het initialiseren van het JSON-bestand dat we in stap 2 hebben gemaakt.

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

Stap 4: Maak een VideoCapture object om het ingevoerde videobestand te lezen en zorg ervoor dat het videobestand met succes wordt geopend.

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

Stap 5: Initialiseer alle benodigde video-eigenschappen, zoals de breedte, hoogte en frame per seconde.

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

Stap 6: Vervolgens kunnen we een VideoWriter object maken om het uiteindelijke verwerkte videobestand op te slaan.

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

Stap 7: Hier initialiseren we het parkeerbeheersysteem met het Ultralytics YOLOv8 model voor parkeerplekdetectie.

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

Stap 8: Nu gaan we frame voor frame door het videobestand om het te verwerken. Als er geen frames worden gelezen, wordt de lus verbroken.

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

Stap 9: In de lus extraheren we de vooraf geselecteerde parkeerregio's uit het JSON-bestand en volgen we de objecten in het frame met behulp van het YOLOv8 model.

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

Stap 10: Dit deel van de lus verwerkt de trackingresultaten en verkrijgt de bounding box coördinaten en de class labels van de gedetecteerde objecten.

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)

Stap 11: Het laatste deel van de lus bestaat uit het weergeven van het huidige frame met annotaties en het schrijven van het verwerkte frame naar het output videobestand "parkeerbeheer.avi".

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

Stap 12: Tot slot kunnen we de objecten VideoCapture en VideoWriter vrijgeven en eventuele vensters vernietigen.

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

Stap 13: Sla je script op. Als je vanaf je terminal of opdrachtprompt werkt, voer het script dan uit met het volgende commando:

python your_script_name.py

Als de code succesvol wordt uitgevoerd, ziet je videobestand er als volgt uit:

‍

Bekijk de officiële documenten van Ultralytics als je meer wilt weten over de code.

Uitdagingen van een geautomatiseerd beheersysteem voor parkeerterreinen

Intelligente parkeersystemen bieden veel voordelen voor zowel automobilisten als bedrijven. Ze brengen echter ook een aantal uitdagingen met zich mee waar rekening mee moet worden gehouden voordat dergelijke oplossingen worden geïmplementeerd. Laten we er eens een paar bekijken.

• Zorgen over privacy: Deze systemen verzamelen informatie zoals het merk en model van iemands auto, kenteken, tijdstip van in- en uitstappen, enz.
• Hoge installatiekosten: Sensoren, camera's, kaartjesautomaten en AI-software kunnen duur zijn om te installeren. 
• Onderhoudsvereisten: De onderhoudsfrequentie hangt af van het AI-systeem, maar de meeste systemen hebben maandelijks onderhoud nodig.

De toekomst van slimme parkeersystemen

Innovatief parkeerbeheer in de toekomst draait om het gebruik van geavanceerde technologieën zoals AI, zelfrijdende auto's en virtual reality om de algehele parkeerervaring te verbeteren en duurzaamheid te ondersteunen. Wanneer ze geïntegreerd zijn met deze systemen, kunnen zelfrijdende auto's zonder menselijke tussenkomst naar parkeerlocaties navigeren en parkeren. Deze systemen helpen bedrijven ook om meer parkeerplaatsen te vullen en hun diensten te adverteren via meerdere apps en websites. Ze verminderen ook de CO2-uitstoot van bestuurders die rondrijden op zoek naar een parkeerplaats.

Een einde maken aan parkeergedoe

AI-modellen, zoals Ultralytics YOLOv8en computervisie kunnen je parkeerplaats transformeren. Je hoeft veel minder rond te rijden voor een plekje, waardoor je tijd bespaart en minder uitstoot hebt. Deze slimme parkeermanagementsystemen pakken veelvoorkomende problemen aan zoals files, illegaal parkeren en frustratie bij de bestuurder. Hoewel er een initiële investering is, zijn de voordelen op de lange termijn aanzienlijk. Investeren in slim parkeren is de sleutel tot het creëren van duurzame steden en een soepelere parkeerervaring voor iedereen.

Wil je meer leren over AI? Kom in contact met onze community! Verken onze GitHub repository om meer te leren over hoe we AI gebruiken om innovatieve oplossingen te creëren in verschillende sectoren, zoals de gezondheidszorg en de landbouw. Werk samen, innoveer en leer samen met ons! 🚀