Ultralytics YOLOv8 para sistemas de gerenciamento de estacionamento mais inteligentes

Pode ser stressante andar às voltas à procura de um lugar de estacionamento, especialmente quando estás atrasado. A forma tradicional de procurar um lugar para estacionar pode ser entediante e demorada. No entanto, um sistema de gestão de estacionamento baseado na inteligência artificial (IA) e na visão computacional pode simplificar as coisas. Pode tornar a disponibilidade de estacionamento mais previsível e reduzir o congestionamento do tráfego.

Neste artigo, vamos aprender a atualizar os sistemas de gestão de estacionamento com inteligência artificial e visão computacional. Também vamos analisar um exemplo de codificação passo a passo para te mostrar como podes usar o modelo Ultralytics YOLOv8 para criar um sistema de gestão de estacionamento com visão computacional. Vamos mergulhar de cabeça!

Problemas com a gestão tradicional de parques de estacionamento

Antes de discutirmos os sistemas de gestão de estacionamento inteligente com IA, vamos analisar os problemas dos sistemas de gestão de estacionamento tradicionais.

Um dos principais problemas dos sistemas tradicionais é a sobrelotação dos lugares de estacionamento; há mais carros nos parques de estacionamento do que os lugares disponíveis. Para além da perda de tempo à procura de espaço, a sobrelotação conduz a um consumo excessivo de combustível e à poluição atmosférica. Outro problema é o stress dos condutores. De acordo com um inquérito, cerca de 27% das pessoas passam pelo menos 30 minutos à procura de lugares de estacionamento. Além disso, 43% das pessoas admitiram ter entrado em discussões verbais com estranhos por causa de lugares de estacionamento.

‍

A IA facilita a gestão de parques de estacionamento

Os parques de estacionamento integrados com IA pretendem resolver os problemas que os sistemas de gestão de estacionamento tradicionais enfrentam. Modelos de visão por computador como o modeloUltralytics YOLOv8 e câmaras de alta definição podem monitorizar os parques de estacionamento e obter actualizações em tempo real sobre os lugares de estacionamento disponíveis e ocupados. 

Como é que isto funciona? Um modelo de visão por computador pode analisar imagens de câmaras de alta definição para detetar veículos, seguir os seus movimentos e identificar lugares de estacionamento disponíveis. O modelo Ultralytics YOLOv8 suporta tarefas de visão por computador, como a deteção e o seguimento de objectos, e consegue identificar e classificar com precisão os veículos num vídeo. Ao comparar as localizações detectadas dos veículos com os lugares de estacionamento predefinidos, o sistema pode determinar se um lugar de estacionamento está ocupado ou não.

‍

As informações sobre a disponibilidade de estacionamento do sistema baseado na visão podem ser integradas e alargadas a diferentes aplicações:

• Aplicações móveis: As aplicações móveis podem mostrar a disponibilidade de estacionamento em tempo real e ajudar os condutores a encontrar lugares disponíveis de forma rápida e fácil.
• Sinalização digital: Os sinais digitais nas entradas dos parques de estacionamento podem mostrar o número de lugares disponíveis e direcionar os condutores para o lugar vago mais próximo.
• Sistemas de estacionamento automatizados: Os dados podem ser utilizados para controlar barreiras e portões automáticos, permitindo a entrada apenas quando há lugares disponíveis e orientando os condutores para o lugar livre mais próximo.

As vantagens de um sistema de gestão de estacionamento

Saber mais sobre a disponibilidade de estacionamento pode trazer muitas vantagens. As actualizações em tempo real ajudam os condutores a dirigirem-se diretamente para os lugares livres, tornando o fluxo de tráfego mais suave e reduzindo o stress de encontrar estacionamento. Para os operadores, compreender como os espaços são utilizados significa que podem gerir melhor o parque, melhorar a segurança com monitorização em tempo real e responder rapidamente a quaisquer incidentes.

A automatização das funções de estacionamento reduz os custos ao diminuir a necessidade de trabalho manual. Os sistemas de IA facilitam a reserva de lugares de estacionamento através de aplicações móveis ou web, permitindo que os condutores recebam notificações sobre a disponibilidade e poupem tempo e dinheiro. Os planeadores das cidades podem utilizar estes dados para conceberem melhores traçados de estradas, aplicarem regulamentos de estacionamento eficazes e desenvolverem novas instalações de estacionamento que tornem as cidades mais eficientes e fáceis de navegar.

‍

Experimenta tu mesmo: Gestão de estacionamento utilizando YOLOv8

Agora que temos uma compreensão clara da gestão de estacionamento e das suas vantagens, vamos ver como podes construir um sistema de gestão de estacionamento baseado na visão. Usaremos o modelo YOLOv8 modelo para detetar veículos, monitorar vagas de estacionamento e determinar seu estado de ocupação.

Neste exemplo, podes utilizar um vídeo ou um fluxo de câmara de um parque de estacionamento. Tem em atenção que o tamanho máximo de imagem suportado neste exemplo é 1920 * 1080. Antes de começarmos, lembra-te de que este sistema se baseia na deteção precisa de veículos e em coordenadas predefinidas do espaço de estacionamento. 

A calibração da câmara e os factores ambientais podem afetar a precisão da deteção do espaço e do estado de ocupação. A velocidade de processamento e a precisão também podem variar com base no desempenho do teu GPU.

Passo 1: Começa por instalar o pacote Ultralytics . Abre o teu prompt de comando ou terminal e executa o seguinte comando.

pip install ultralytics

Consulta o nosso guia de instalaçãoUltralytics para obteres instruções detalhadas e melhores práticas sobre o processo de instalação. Se encontrares algum problema durante a instalação dos pacotes necessários para YOLOv8, o nosso guia de problemas comuns oferece soluções e dicas úteis.

Passo 2: Temos de pré-selecionar os lugares de estacionamento para podermos marcar as áreas de interesse na tua filmagem. Executa este código para abrir a interface de utilizador para pré-selecionar os lugares de estacionamento.

from ultralytics import solutions
solutions.ParkingPtsSelection()

Como mostrado abaixo, será aberta uma interface de utilizador quando executares este código. Tira um fotograma ou uma captura de ecrã do teu vídeo de entrada de um parque de estacionamento e carrega-o. Depois de desenhares as caixas delimitadoras à volta dos lugares de estacionamento, clica na opção de guardar. A informação do teu lugar de estacionamento selecionado será guardada num ficheiro JSON chamado 'bounding_boxes.json'.

‍

Passo 3: Agora, podemos passar ao código principal para a gestão do estacionamento. Começa por importar todas as bibliotecas necessárias e inicializar o ficheiro JSON que criámos no passo 2.

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

Passo 4: Cria um objeto VideoCapture para ler o ficheiro de vídeo de entrada e certifica-te de que o ficheiro de vídeo é aberto com êxito.

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

Passo 5: Inicializa todas as propriedades de vídeo necessárias, como a largura, a altura e a imagem por segundo.

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

Passo 6: Em seguida, podemos criar um objeto VideoWriter para guardar o ficheiro de vídeo final processado.

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

Passo 7: Aqui, inicializamos o sistema de gestão de estacionamento com o modelo Ultralytics YOLOv8 para a deteção de lugares de estacionamento.

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

Passo 8: Agora, passa pelo ficheiro de vídeo, fotograma a fotograma, para processamento. Se não forem lidos quaisquer fotogramas, o ciclo é interrompido.

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

Passo 9: Dentro do ciclo, extraímos as regiões de estacionamento pré-seleccionadas do ficheiro JSON e seguimos os objectos no quadro utilizando o modelo YOLOv8 .

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

Passo 10: Esta parte do ciclo processa os resultados do rastreio e obtém as coordenadas da caixa delimitadora e as etiquetas de classe dos objectos detectados.

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)

Passo 11: A última parte do ciclo consiste em mostrar o fotograma atual com anotações e escrever o fotograma processado no ficheiro de vídeo de saída "parking management.avi".

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

Passo 12: Finalmente, podemos libertar os objectos VideoCapture e VideoWriter e destruir quaisquer janelas.

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

Passo 13: Guarda o teu script. Se estiveres a trabalhar a partir do terminal ou da linha de comandos, executa o script utilizando o seguinte comando:

python your_script_name.py

Se o código for executado com êxito, o teu ficheiro de vídeo de saída terá o seguinte aspeto:

‍

Podes consultar a documentação oficial de Ultralytics se quiseres saber mais sobre o código.

Desafios de um sistema de gestão automatizada de parques de estacionamento

Os sistemas de estacionamento inteligente oferecem muitas vantagens tanto aos condutores como às empresas. No entanto, também apresentam alguns desafios que devem ser tidos em conta antes de implementares estas soluções. Vejamos alguns deles.

• Preocupações com a privacidade: Estes sistemas recolhem informações como a marca e o modelo do carro de um indivíduo, o número da matrícula, a hora de entrada e saída, etc.
• Elevado custo de instalação: A instalação de sensores, câmaras, máquinas de venda automática de bilhetes e software de IA pode ser dispendiosa. 
• Requisitos de manutenção: A frequência da manutenção depende do sistema de IA, mas a maioria dos sistemas requer manutenção mensal.

O futuro dos sistemas de estacionamento inteligentes

No futuro, a gestão inovadora do estacionamento passará pela utilização de tecnologias de ponta como a IA, os carros autónomos e a realidade virtual para melhorar a experiência geral de estacionamento e apoiar a sustentabilidade. Quando integrados nestes sistemas, os carros autónomos serão capazes de navegar até aos locais de estacionamento sem interferência humana e estacionar. Estes sistemas também ajudam as empresas a preencher mais lugares de estacionamento e a publicitar os seus serviços em várias aplicações e sítios Web. Além disso, reduzem o número de emissões de carbono que emanam dos condutores que andam de carro à procura de um lugar de estacionamento.

Acabar com os problemas de estacionamento

Os modelos de IA, como o Ultralytics YOLOv8e a visão por computador podem transformar o teu parque de estacionamento. Reduzem drasticamente a procura de lugares em círculos, poupando-te tempo e reduzindo as emissões. Estes sistemas inteligentes de gestão de estacionamento resolvem problemas comuns como o congestionamento, o estacionamento ilegal e a frustração dos condutores. Embora haja um investimento inicial, os benefícios a longo prazo são significativos. Investir em estacionamento inteligente é fundamental para criar cidades sustentáveis e uma experiência de estacionamento mais fácil para todos.

Queres saber mais sobre a IA? Liga-te à nossa comunidade! Explora o nosso repositório GitHub para saberes mais sobre como estamos a utilizar a IA para criar soluções inovadoras em vários sectores, como os cuidados de saúde e a agricultura. Colabora, inova e aprende connosco! 🚀