Vê como o Ultralytics YOLO11 pode ser utilizado em sistemas de reconhecimento automático de matrículas (ANPR) para deteção em tempo real e ajuda na gestão do tráfego e do estacionamento.
.png)
À medida que a adoção da IA aumenta, as inovações que dependem do Reconhecimento Automático de Matrículas (ANPR) estão a tornar-se mais comuns. Os sistemas ANPR utilizam a visão por computador para ler automaticamente as matrículas dos veículos e para os identificar e seguir. Recentemente, os avanços na IA tornaram possível integrar rapidamente esses sistemas no nosso quotidiano. Na verdade, já deves ter visto sistemas ANPR em portagens ou durante controlos policiais de veículos em excesso de velocidade.
O reconhecimento de matrículas está a tornar-se cada vez mais importante e prevê-se que o mercado global de sistemas ANPR atinja 4,8 mil milhões de dólares até 2027. Um fator deste crescimento são os benefícios que o ANPR oferece em aplicações como a gestão do tráfego e a segurança.
Para obter os melhores resultados das aplicações ANPR, é importante compreender as técnicas de IA subjacentes a estas soluções. Por exemplo, a deteção de objectos, uma tarefa de visão computacional, é essencial para reconhecer e seguir veículos com precisão, e é aqui que entram modelos de visão computacional como o Ultralytics YOLO11 entram em ação. Neste artigo, veremos como funciona o ANPR e como o YOLO11O software de visão computacional, em particular, pode melhorar as soluções ANPR.
.png)
O Reconhecimento Automático de Matrículas envolve alguns passos importantes para identificar rápida e corretamente as matrículas dos veículos. Vamos analisar como estes passos funcionam em conjunto para tornar o processo eficiente:
.png)
Os sistemas ANPR podem muitas vezes enfrentar desafios como iluminação insuficiente, diferentes designs de matrículas e condições ambientais adversas. YOLO11 pode ajudar a resolver estes problemas, aumentando a precisão e a velocidade de deteção, mesmo quando as condições são difíceis. Com modelos como o YOLO11, o ANPR pode funcionar de forma mais fiável, facilitando a identificação de matrículas em tempo real, quer seja de dia ou de noite, ou com mau tempo. Na próxima secção, veremos mais detalhadamente como pode utilizar o YOLO11 para obter estas melhorias.
Ultralytics YOLO11 foi apresentado pela primeira vez no evento híbrido anual da Ultralytics, YOLO Vision 2024 (YV24). Como modelo de deteção de objectos que suporta aplicações em tempo real, YOLO11 é uma excelente opção para melhorar inovações como os sistemas ANPR. YOLO11 também é adequado para aplicações de IA de ponta . Isto permite que as soluções ANPR integradas em YOLO11 funcionem eficazmente, mesmo quando uma ligação de rede não é fiável. Como resultado, os sistemas ANPR podem funcionar sem problemas em locais remotos ou áreas com conetividade limitada.
YOLO11 também traz melhorias de eficiência em comparação com os seus antecessores. Por exemplo, o YOLO11m atinge uma precisão média superior (mAP) no conjunto de dados COCO com menos 22% de parâmetros em comparação com o YOLOv8m. Com o YOLO11, os sistemas ANPR podem lidar melhor com vários desafios, como condições de iluminação variáveis, diversos designs de matrículas e veículos em movimento, resultando num reconhecimento de matrículas mais fiável e eficaz.
Se estás a pensar como podes utilizar o YOLO11 no teu projeto ANPR, é muito simples. As variações dos modelos YOLO11 que suportam a deteção de objectos foram pré-treinadas no conjunto de dados COCO. Esses modelos podem detetar 80 tipos diferentes de objetos, como carros, bicicletas e animais. Embora as matrículas não façam parte das etiquetas pré-treinadas, os utilizadores podem facilmente treinar YOLO11 para detetar matrículas utilizando o pacoteUltralytics Python ou a plataforma HUB sem código Ultralytics . Os utilizadores têm a flexibilidade de criar ou utilizar um conjunto de dados de matrículas dedicado para tornar o seu modelo YOLO11 personalizado perfeito para ANPR.
Em seguida, analisaremos as várias aplicações em que o ANPR e o YOLO11 podem ser utilizados em conjunto para melhorar a eficiência e a precisão.
Em cidades movimentadas, com carros a circular em cruzamentos e auto-estradas, os agentes de trânsito têm de gerir o congestionamento, controlar as infracções de trânsito e garantir a segurança pública. O ANPR, quando integrado com YOLO11, pode fazer uma grande diferença nestes esforços. Ao reconhecer instantaneamente as matrículas dos veículos, as autoridades podem vigiar o fluxo de tráfego, fazer cumprir as leis de trânsito e identificar rapidamente os veículos envolvidos em infracções. Por exemplo, os veículos em excesso de velocidade podem ser facilmente sinalizados.
Em geral, o ANPR com YOLO11 pode automatizar tarefas que, de outra forma, exigiriam esforço manual. Pode detetar veículos que passam sinais vermelhos e gerir as operações das cabinas de portagem. A automatização destas tarefas não só torna o sistema mais eficiente, como também reduz a carga de trabalho dos agentes de trânsito, permitindo-lhes concentrarem-se em responsabilidades mais importantes.
No âmbito da aplicação da lei, o YOLO11 e o ANPR podem trabalhar em conjunto para localizar veículos roubados e identificar os veículos assinalados por actividades suspeitas. YOLO11 A deteção em tempo real do ANPR garante que os veículos são reconhecidos de forma rápida e fiável, mesmo quando se deslocam rapidamente. Esta capacidade ajuda a melhorar a segurança pública, permitindo tempos de resposta mais rápidos e uma aplicação da lei mais eficaz.
Outra aplicação interessante do ANPR com YOLO11 é em sistemas de gestão de estacionamento. Por exemplo, permite estacionamentos onde os carros podem entrar, estacionar e sair sem que o motorista precise interagir com uma máquina de bilhetes ou um atendente. Os sistemas de estacionamento ANPR que usam YOLO11 podem ajudar a facilitar os processos de entrada, saída e pagamento.
Quando um veículo se aproxima do portão de entrada, o ANPR alimentado por YOLO11 reconhece a matrícula instantaneamente. O sistema cruza então a matrícula com uma base de dados pré-registada ou cria uma nova entrada. O portão abre-se automaticamente, deixando o veículo entrar sem qualquer passo manual. O processo acelerado cria uma experiência mais conveniente para os condutores.
Da mesma forma, quando um veículo sai, o sistema detecta novamente a matrícula utilizando YOLO11. Calcula o tempo de estacionamento e pode processar automaticamente o pagamento se o veículo estiver registado com um método de pagamento. A automatização elimina a necessidade de máquinas de pagamento físicas e ajuda a reduzir o congestionamento nas saídas, especialmente durante as horas de maior movimento.
YOLO11A capacidade do sistema de deteção de matrículas da KPMG de detetar matrículas com precisão e em tempo real é fundamental para que estes sistemas de gestão de estacionamento funcionem sem problemas. Além de tornar o estacionamento mais conveniente, ajuda os operadores a gerir melhor as suas instalações, reduzindo o trabalho manual e melhorando o fluxo de tráfego.
Os sistemas ANPR integrados com YOLO11 são uma óptima opção para gerir o acesso a áreas seguras, como condomínios fechados, campus de empresas e instalações restritas. Ao utilizar o ANPR, estes locais podem automatizar a sua segurança, certificando-se de que apenas os veículos autorizados podem entrar.
É semelhante ao sistema de gestão de estacionamento de que falámos anteriormente. A principal diferença é que o sistema compara a matrícula com uma lista de veículos autorizados. Se o veículo for aprovado, o portão abre-se automaticamente, proporcionando um acesso sem problemas a residentes, funcionários ou visitantes, mantendo a segurança apertada. O processo reduz a necessidade de verificações manuais, permitindo que o pessoal de segurança se concentre em tarefas mais importantes.
Agora que já percorremos algumas aplicações de sistemas ANPR integrados com YOLO11, vamos pensar nestas aplicações de uma forma mais interligada.
Para além de serem aplicações individuais, as suas vantagens brilham realmente quando são vistas como uma solução coesa na infraestrutura urbana para cidades inteligentes. À medida que as cidades evoluem para se tornarem mais inteligentes, os sistemas ANPR estão a desempenhar um papel cada vez mais importante na infraestrutura urbana.
Por exemplo, considera uma cidade inteligente onde o ANPR é utilizado para gerir o tráfego, conceder acesso seguro e simplificar o estacionamento, tudo ao mesmo tempo. Um veículo pode ser detectado quando entra na cidade, seguido durante todo o percurso, ter acesso a áreas restritas e ser autorizado a estacionar sem qualquer intervenção manual.
Ao integrar modelos de visão computacional como YOLO11, o ANPR pode ajudar a gerir o tráfego de forma mais eficiente, aumentar a segurança e melhorar a segurança pública. Estes sistemas permitem a monitorização em tempo real, processos automatizados e tomadas de decisão baseadas em dados, essenciais para gerir as crescentes complexidades das cidades modernas.
Os sistemas ANPR estão a tornar-se essenciais para as infra-estruturas urbanas modernas e a integração de modelos de visão por computador, como o YOLO11 , torna-os ainda mais vantajosos. O YOLO11 melhora o ANPR com maior precisão, processamento em tempo real e adaptabilidade, tornando-o ideal para aplicações em cidades inteligentes. Desde a melhoria da gestão do tráfego e da aplicação da lei até à automatização do estacionamento e do acesso seguro, os sistemas ANPR com tecnologia YOLO11 proporcionam eficiência e fiabilidade. À medida que as cidades se tornam mais inteligentes, estas soluções irão provavelmente desempenhar um papel crucial na transformação da vida urbana e no apoio ao futuro das infra-estruturas inteligentes.
Para saber mais sobre IA, visita o nosso repositório GitHub e participa na nossa comunidade. Explora as aplicações de IA no fabrico e na agricultura nas nossas páginas de soluções. 🚀
Começa a tua viagem com o futuro da aprendizagem automática
