Plaka algılama için Ultralytics YOLO11 ve gerçek zamanlı doğrulukla metin tanıma için GPT-4o Mini kullanarak bir ANPR sisteminin nasıl kurulacağını öğrenin.
Kalabalık bir otoparkta park yeri bulmak, uzun gişe kuyruklarında beklemek veya güvenlik kontrol noktalarında sıkışıp kalmak sinir bozucudur. Manuel araç kontrolleri genellikle çok uzun sürer ve gecikmelere neden olur. Otomatik bir sistem olmadan, araçları verimli bir şekilde takip etmek zor olabilir.
Bilgisayarla görme, görüntülerden ve video akışlarından gerçek zamanlı plaka tanıma sağlayarak bu durumu değiştirmiştir. Mesela, Ultralytics YOLO11 nesne algılama, sınıflandırma ve izleme gibi gelişmiş Vision AI görevlerini gerçekleştirebilen gelişmiş bir bilgisayarla görme modelidir. YOLO11'in nesne algılama yeteneklerini kullanarak, görüntülerdeki araç plakalarını doğru bir şekilde algılayabilirsiniz.
Ultralytics , Vision AI destekli çözümler oluşturma sürecini basitleştiren kapsamlı Google Colab not defterleri sunar. Bu not defterleri, temel bağımlılıklar, modeller ve adım adım kılavuzlarla önceden yapılandırılmış olarak gelir ve uygulama oluşturmayı kolaylaştırır. Özellikle, ANPR (Otomatik Plaka Tanıma) için özel bir Colab not defteri bulunmaktadır.
Bu makalede, ANPR için Ultralytics Colab not defterini kullanarak, plaka algılama için Ultralytics YOLO11 ve metin tanıma için GPT-4o Mini kullanarak bir ANPR çözümünün nasıl oluşturulacağını keşfedeceğiz.
Araçları manuel olarak takip etmek zaman alıcıdır ve özellikle hızlı hareket ettiklerinde hatalara açıktır. Her bir plakanın tek tek kontrol edilmesi süreci yavaşlatır ve hata riskini artırır. Otomatik plaka tanıma, plakaları anında tespit etmek ve okumak için bilgisayar görüşü kullanarak bu sorunu çözer, trafik izleme ve güvenliği daha verimli hale getirir.
ANPR sistemleri, geçen araçların görüntülerini veya videolarını yakalayabilir ve plakaları tanımlamak için gerçek zamanlı nesne algılamayı kullanabilir. Tespit edildikten sonra, insan müdahalesine gerek kalmadan plaka numaralarını otomatik olarak çıkarmak için metin tanıma kullanılır. Bu süreç, araçlar hızlı hareket etse veya plakalar kısmen gizlenmiş olsa bile doğru sonuçlar alınmasını sağlar.
Günümüzde gişeler, park sistemleri ve kolluk kuvvetleri, araçları verimli bir şekilde takip etmek için ANPR'ye giderek daha fazla güveniyor.
ANPR araçları hızlı bir şekilde tanımlasa da, doğruluğunu etkileyebilecek bazı zorluklar vardır. İşte bir ANPR sisteminin ne kadar iyi çalıştığını etkileyebilecek birkaç yaygın sorun:
Ultralytics YOLO11 , ANPR sistemlerini daha hızlı ve daha doğru hale getirebilir. Hassasiyeti korurken görüntüleri hızlı bir şekilde işler ve ağır bilgi işlem gücü gerektirmez, bu nedenle küçük güvenlik kameralarından büyük trafik sistemlerine kadar her şeyde iyi çalışır.
Özel eğitim ile YOLO11 farklı plaka stillerine, dillere ve ortamlara uyarlanabilir. Ayrıca, bu koşulların görüntülerini içeren özel veri kümeleri üzerinde özel olarak eğitildiğinde düşük ışık, hareket bulanıklığı ve zor açılar gibi zorlu koşullarda da iyi performans gösterir.
YOLO11 , araçları anında tanımlayarak bekleme sürelerini azaltmaya, hataları önlemeye ve güvenliği artırmaya yardımcı olur. Bu sayede otoparklarda, gişelerde ve gözetim sistemlerinde trafik akışı daha akıcı ve operasyonlar daha verimli hale gelir.
Şimdi, YOLO11 ve GPT-4o Mini kullanarak bir ANPR sisteminin nasıl kurulacağını inceleyelim.
Bu çözüm için Ultralytics Google Collab not defterinde sergilenen kodu inceleyeceğiz. Google Colab not defterinin kullanımı kolaydır ve herkes karmaşık bir kuruluma ihtiyaç duymadan bir ANPR sistemi oluşturabilir.
Başlamak için bağımlılıklarımızı veya ANPR sistemimizi çalıştırmak için gereken temel yazılım paketlerini ve kütüphaneleri yüklememiz gerekecek. Bu bağımlılıklar nesne algılama, görüntü işleme ve metin tanıma gibi görevlerde yardımcı olarak sistemin verimli bir şekilde çalışmasını sağlar.
Ultralytics Python paketini aşağıda gösterildiği gibi yükleyeceğiz. Bu paket önceden eğitilmiş modeller, eğitim yardımcı programları ve çıkarım araçları sağlayarak YOLO11 ile plakaları tespit etmeyi ve tanımayı kolaylaştırır.
.webp)
Metin tanıma için GPT-4o Mini'yi de kurmamız gerekecek. GPT-4o Mini, algılanan plakalardan metin çıkarmaktan sorumlu olduğundan, modele erişmek için bir API anahtarına ihtiyacımız var. Bu anahtar GPT-4o Mini API'sine kaydolarak elde edilebilir. Anahtarı aldıktan sonra Colab not defterine eklenebilir, böylece sistem modele bağlanabilir ve plaka numaralarını işleyebilir.
Kurulumu tamamladıktan ve kurulum kodunu çalıştırdıktan sonra, YOLO11 plakaları algılamaya hazır olacak ve GPT-4o Mini plakaları tanıyacak ve bunlardan metin çıkaracak şekilde ayarlanacaktır.
Artık her şey ayarlandığına göre, bir sonraki adım plakaları tespit etmek için özel olarak eğitilmiş olan YOLO11 modelini indirmektir. Bu model zaten plakaları tespit etmek için eğitildiğinden, sıfırdan eğitmeye gerek yoktur. Sadece indirebilirsiniz ve kullanıma hazırdır. Bu, zaman kazandırır ve süreci çok daha kolay hale getirir.
Ayrıca, sistemi test etmek için örnek bir video dosyası indireceğiz. İsterseniz bu çözümü kendi video dosyalarınız üzerinde de çalıştırabilirsiniz. Model ve video dosyaları indirildikten sonra notebook ortamında saklanacaktır.
.webp)
Model hazır olduğunda, sıra onu çalışırken görmeye gelir. İlk olarak, video dosyası işlenmek üzere yüklenir ve doğru şekilde açıldığından emin olunur. Ardından, orijinal boyutu ve kare hızını koruyarak işlenmiş görüntüleri tespit edilen plakalarla birlikte kaydetmek için bir video yazıcı ayarlanır. Son olarak, model videonun her karesindeki plakaları tespit etmek için yüklenir.
Model yüklendikten sonra, sistem plakaları tespit etmek için videonun her karesini analiz etmeye başlayacaktır. Bir plaka bulunduğunda, sistem onu bir algılama kutusuyla vurgulayarak tanımlanmasını kolaylaştırır. Bu adım, gereksiz arka plan bilgilerini filtreleyerek yalnızca ilgili ayrıntıların yakalanmasını sağlar. Plakalar başarıyla tespit edildiğinde, video artık bir sonraki aşama için hazırdır.
Bir plakayı tespit ettikten sonra, bir sonraki adım metin tanımadır. Sistem önce plakayı video karesinden kırparak net bir görünüm için dikkat dağıtıcı unsurları ortadan kaldırır. Bu, ayrıntılara odaklanmaya yardımcı olarak düşük ışık veya hareket bulanıklığı gibi zorlu koşullarda bile doğruluğu artırır.
Plaka izole edildikten sonra, GPT-4o Mini görüntüyü analiz eder, sayıları ve harfleri çıkarır ve bunları okunabilir metne dönüştürür. Tanınan metin daha sonra videoya geri eklenerek tespit edilen her plaka gerçek zamanlı olarak etiketlenir.
Bu adımlar tamamlandığında ANPR sistemi tamamen işlevsel hale gelir ve plakaları kolaylıkla tanımaya hazır olur.
Son adım, işlenen videoyu kaydeder ve geçici dosyaları temizleyerek her şeyin sorunsuz çalışmasını sağlar.
Algılanan plakalar ve tanınan metinle birlikte işlenen her kare nihai çıkış videosuna yazılır. Tüm kareler işlendikten sonra sistem, okuduğu video dosyasını kapatarak bellek ve sistem kaynaklarını boşaltır. Ayrıca çıktı videosunu son haline getirip kaydederek oynatmaya veya daha fazla analize hazır hale getirir.
.webp)
Bir ANPR çözümü oluşturduktan ve test ettikten sonra, bir sonraki adım onu gerçek dünya ortamında dağıtmaktır. Çoğu Vision AI modeli yüksek performanslı bilgi işleme dayanır, ancak Ultralytics YOLO11 Edge AI için optimize edilmiştir. Bulut işleme veya sürekli bir internet bağlantısı gerektirmeden küçük cihazlarda verimli bir şekilde çalışabilir, bu da onu sınırlı kaynaklara sahip yerler için mükemmel bir seçim haline getirir.
Örneğin, kapalı bir topluluk, araçları girerken tanımlamak için bir uç cihazda YOLO11 'i dağıtarak büyük sunuculara olan ihtiyacı ortadan kaldırabilir. Her şey yerinde gerçek zamanlı olarak işlenerek sorunsuz erişim, daha az tıkanıklık ve gelişmiş güvenlik sağlanır.
.webp)
Bu arada, sabit internet bağlantısı olan alanlarda, bulut tabanlı ANPR aynı anda birden fazla kamerayı idare edebilir. Örneğin, bir alışveriş merkezinde, farklı girişlerdeki araçları izleyebilir ve plaka numaralarını merkezi bir sistemde saklayabilir, böylece park etmeyi izlemeyi, güvenliği artırmayı ve araç akışını uzaktan yönetmeyi kolaylaştırır.
Ultralytics YOLO11 ile otomatik plaka tanıma (ANPR) sistemi kurmak kolaydır. Plakaları doğru bir şekilde algılar ve farklı ortamlara ve gereksinimlere uyum sağlamak için özel olarak eğitilebilir.
ANPR sistemleri güvenliği artırır, park yönetimini kolaylaştırır ve trafik izlemeyi iyileştirir. Plaka tanımayı otomatikleştirerek hataları azaltır, tanımlamayı hızlandırır ve çeşitli uygulamalarda araç takibini daha verimli hale getirir.
Topluluğumuza katılın ve yapay zekayı çalışırken görmek için GitHub depomuzu ziyaret edin. Lisanslama seçeneklerimizi keşfedin ve çözümler sayfalarımızda üretimde Vision AI ve sürücüsüz araçlarda AI hakkında daha fazla bilgi edinin.
Makine öğreniminin geleceği ile yolculuğunuza başlayın
