Aprende a construir um sistema ANPR utilizando o Ultralytics YOLO11 para deteção de matrículas e o GPT-4o Mini para reconhecimento de texto com precisão em tempo real.
Encontrar estacionamento num parque cheio de gente, esperar em longas filas nas portagens ou ficar preso nos pontos de controlo de segurança é frustrante. Os controlos manuais dos veículos demoram muitas vezes demasiado tempo e causam atrasos. Sem um sistema automatizado, o controlo eficiente dos automóveis pode ser um desafio.
A visão por computador veio alterar esta situação, permitindo o reconhecimento de matrículas em tempo real a partir de imagens e fluxos de vídeo. Por exemplo, Ultralytics YOLO11 é um modelo avançado de visão por computador que pode executar tarefas avançadas de IA de visão, como deteção, classificação e seguimento de objectos. Utilizando as capacidades de deteção de objectos do YOLO11, podes detetar com precisão as matrículas dos veículos nas imagens.
Ultralytics oferece blocos de notas abrangentes Google Colab que simplificam o processo de criação de soluções com tecnologia Vision AI. Estes notebooks vêm pré-configurados com dependências essenciais, modelos e guias passo-a-passo, facilitando a criação de aplicações. Em particular, existe um bloco de notas Colab dedicado ao ANPR (Reconhecimento Automático de Matrículas).
Neste artigo, utilizando o notebook Ultralytics Colab para ANPR, vamos explorar como construir uma solução ANPR utilizando o Ultralytics YOLO11 para deteção de matrículas e o GPT-4o Mini para reconhecimento de texto.
A localização manual de automóveis é morosa e propensa a erros, especialmente quando estes se deslocam rapidamente. Verificar cada matrícula uma a uma torna o processo mais lento e aumenta o risco de erros. O reconhecimento automático de matrículas resolve este problema utilizando a visão por computador para detetar e ler as matrículas instantaneamente, tornando a monitorização do tráfego e a segurança mais eficientes.
Os sistemas ANPR podem captar imagens ou vídeos dos veículos que passam e utilizar a deteção de objectos em tempo real para identificar as matrículas. Uma vez detectadas, o reconhecimento de texto é utilizado para extrair os números das matrículas automaticamente, sem necessidade de intervenção humana. Este processo garante resultados precisos, mesmo quando os veículos se deslocam rapidamente ou as matrículas estão parcialmente ocultas.
Atualmente, as cabines de portagem, os sistemas de estacionamento e a aplicação da lei dependem cada vez mais do ANPR para localizar veículos de forma eficiente.
Embora o ANPR identifique rapidamente os veículos, existem ainda alguns desafios que podem afetar a sua precisão. Seguem-se alguns problemas comuns que podem afetar o bom funcionamento de um sistema ANPR:
Ultralytics YOLO11 pode tornar os sistemas ANPR mais rápidos e mais precisos. Processa imagens rapidamente, mantendo a precisão, e não requer grande capacidade de computação, pelo que funciona bem em tudo, desde pequenas câmaras de segurança a grandes sistemas de tráfego.
Com treino personalizado, YOLO11 pode ser adaptado a diferentes estilos de matrículas, idiomas e ambientes. Também tem um bom desempenho em condições desafiadoras, como pouca luz, desfoque de movimento e ângulos difíceis, quando treinado de forma personalizada em conjuntos de dados especializados que incluem imagens nessas condições.
Ao identificar os veículos instantaneamente, YOLO11 ajuda a reduzir os tempos de espera, evita erros e melhora a segurança. Isto torna o fluxo de tráfego mais suave e as operações mais eficientes em parques de estacionamento, cabines de portagem e sistemas de vigilância.
De seguida, vamos ver como construir um sistema ANPR utilizando YOLO11 e o GPT-4o Mini.
Para esta solução, vamos explorar o código apresentado no bloco de notasGoogle Collab Ultralytics . O bloco de notas Google Colab é fácil de utilizar e qualquer pessoa pode criar um sistema ANPR sem necessitar de uma configuração complicada.
Para começar, precisamos de instalar as nossas dependências, ou os pacotes de software e bibliotecas essenciais necessários para executar o nosso sistema ANPR. Estas dependências ajudam em tarefas como a deteção de objectos, o processamento de imagens e o reconhecimento de texto, garantindo que o sistema funciona de forma eficiente.
Instala o pacoteUltralytics Python , como mostrado abaixo. Este pacote fornece modelos pré-treinados, utilitários de treino e ferramentas de inferência, facilitando a deteção e o reconhecimento de matrículas com o YOLO11.
.webp)
Também precisamos de configurar o GPT-4o Mini para o reconhecimento de texto. Como o GPT-4o Mini é responsável pela extração de texto das placas detectadas, precisamos de uma chave de API para acessar o modelo. Esta chave pode ser obtida inscrevendo-se na API do GPT-4o Mini. Quando tiveres a chave, podes adicioná-la ao bloco de notas do Colab para que o sistema possa ligar-se ao modelo e processar os números das matrículas.
Depois de completares a configuração e executares o código de instalação, YOLO11 estará pronto para detetar matrículas, e o GPT-4o Mini estará configurado para reconhecer e extrair texto das mesmas.
Agora que tudo está configurado, o próximo passo é descarregar o modelo YOLO11 que foi treinado de forma personalizada para detetar matrículas. Como este modelo já foi treinado para detetar matrículas, não precisas de o treinar de raiz. Basta fazer o download e ele estará pronto para ser usado. Isto poupa tempo e torna o processo muito mais fácil.
Além disso, descarregaremos um ficheiro de vídeo de amostra para testar o sistema. Se quiseres, também podes executar esta solução nos teus próprios ficheiros de vídeo. Uma vez descarregados, o modelo e os ficheiros de vídeo serão guardados no ambiente do portátil.
.webp)
Quando o modelo estiver pronto, é altura de o veres em ação. Primeiro, o ficheiro de vídeo é carregado para processamento, garantindo que abre corretamente. Depois, configura um gravador de vídeo para guardar a filmagem processada com as matrículas detectadas, mantendo o tamanho original e a taxa de fotogramas. Finalmente, o modelo é carregado para detetar matrículas em cada fotograma do vídeo.
Assim que o modelo é carregado, o sistema começa a analisar cada fotograma do vídeo para detetar matrículas. Quando uma matrícula é encontrada, o sistema destaca-a com uma caixa de deteção, facilitando a sua identificação. Este passo garante que apenas os detalhes relevantes são capturados, filtrando informações de fundo desnecessárias. Com as matrículas detectadas com sucesso, o vídeo está agora pronto para a fase seguinte.
Depois de detetar uma matrícula, o passo seguinte é o reconhecimento de texto. O sistema começa por recortar a matrícula da imagem de vídeo, removendo quaisquer distracções para uma visualização clara. Isto ajuda a focar os detalhes, melhorando a precisão mesmo em condições difíceis, como pouca luz ou desfocagem por movimento.
Assim que a placa é isolada, o GPT-4o Mini analisa a imagem, extrai os números e as letras e converte-os em texto legível. O texto reconhecido é então adicionado de novo ao vídeo, etiquetando cada placa detectada em tempo real.
Com estes passos concluídos, o sistema ANPR está totalmente funcional e pronto para reconhecer matrículas com facilidade.
O passo final guarda o vídeo processado e limpa os ficheiros temporários, garantindo que tudo corre bem.
Cada quadro processado, com placas detectadas e texto reconhecido, é gravado no vídeo de saída final. Quando todos os quadros são processados, o sistema fecha o arquivo de vídeo do qual estava lendo, liberando memória e recursos do sistema. Também finaliza e salva o vídeo de saída, deixando-o pronto para reprodução ou análise posterior.
.webp)
Depois de construir e testar uma solução ANPR, o passo seguinte é implementá-la num ambiente real. A maioria dos modelos de IA de visão depende de computação de alto desempenho, masYOLO11 Ultralytics YOLO11 está optimizado para IA de ponta. Pode ser executado de forma eficiente em pequenos dispositivos sem necessitar de processamento na nuvem ou de uma ligação constante à Internet, o que o torna uma excelente escolha para locais com recursos limitados.
Por exemplo, um condomínio fechado pode implementar YOLO11 num dispositivo periférico para identificar os veículos à medida que entram, eliminando a necessidade de grandes servidores. Tudo é processado no local em tempo real, assegurando um acesso sem problemas, reduzindo o congestionamento e aumentando a segurança.
.webp)
Entretanto, em áreas com conetividade estável à Internet, o ANPR baseado na nuvem pode gerir várias câmaras em simultâneo. Por exemplo, num centro comercial, pode seguir os veículos através de diferentes entradas e armazenar os números das matrículas num sistema central, facilitando a monitorização do estacionamento, a melhoria da segurança e a gestão remota do fluxo de veículos.
A configuração de um sistema de reconhecimento automático de matrículas (ANPR) é simples com o Ultralytics YOLO11. Detecta com precisão as matrículas e pode ser treinado à medida para se adaptar a diferentes ambientes e requisitos.
Os sistemas ANPR aumentam a segurança, simplificam a gestão do estacionamento e melhoram a monitorização do tráfego. Ao automatizar o reconhecimento de matrículas, reduzem os erros, aceleram a identificação e tornam o seguimento de veículos mais eficiente em várias aplicações.
Junta-te à nossa comunidade e visita o nosso repositório GitHub para veres a IA em ação. Explora as nossas opções de licenciamento e descobre mais sobre a IA de visão no fabrico e a IA em carros autónomos nas nossas páginas de soluções.
Começa a tua viagem com o futuro da aprendizagem automática
