使用Ultralytics YOLO11 和 GPT-4o Mini 构建 ANPR 系统

在拥挤的停车场寻找停车位、在收费站排长队等候或被困在安检站都令人沮丧。人工车辆检查往往耗时过长，造成延误。如果没有自动化系统，高效地跟踪车辆可能是一项挑战。 

计算机视觉技术改变了这一状况，它可以从图像和视频流中实时识别车牌。例如 Ultralytics YOLO11是一种先进的计算机视觉模型，可以执行物体检测、分类和跟踪等高级视觉人工智能任务。利用YOLO11 的物体检测能力，您可以准确检测图像中的车辆号牌。 

Ultralytics 提供全面的Google Colab 笔记本，简化了构建Vision 人工智能解决方案的过程。这些笔记本预先配置了基本的依赖关系、模型和分步指南，使创建应用程序变得更加容易。特别是，有一个专门用于 ANPR（自动车牌识别）的Colab 笔记本。

在本文中，我们将使用用于 ANPR 的Ultralytics Colab 笔记本，探讨如何使用用于车牌检测的Ultralytics YOLO11 和用于文本识别的 GPT-4o Mini 构建 ANPR 解决方案。 

了解自动指纹识别系统 

手动跟踪汽车既费时又容易出错，尤其是当汽车快速行驶时。逐一检查每个车牌不仅会拖慢工作进度，还会增加出错的风险。 自动车牌识别系统利用计算机视觉技术即时检测和读取车牌，从而解决了这一问题，使交通监控和安保工作更加高效。

ANPR 系统可以捕捉过往车辆的图像或视频，并利用实时物体检测来识别车牌号码。一旦检测到，系统就会使用文本识别功能自动提取车牌号码，无需人工干预。即使在车辆快速行驶或车牌被部分遮挡的情况下，这一过程也能确保准确的结果。

‍

如今，收费站、停车场系统和执法部门越来越依赖 ANPR 来有效追踪车辆。

与 ANPR 技术有关的挑战

虽然 ANPR 可以快速识别车辆，但仍有一些难题会影响其准确性。以下是一些可能影响 ANPR 系统正常工作的常见问题：

• 光线不足和恶劣天气：车牌在夜间和恶劣天气下更难辨认。雾气、雨水和车头灯的强光都会模糊文字，使其无法辨认。
• 车牌模糊或遮挡：快速行驶的汽车可能会留下模糊的图像，尤其是在相机快门速度过慢的情况下。污垢、划痕或车牌部分被遮挡也会造成识别问题。使用正确设置的高质量相机有助于获得更清晰的结果。
• 车牌设计不统一：并非所有车牌看起来都一样。有些车牌有花哨的字体、额外的文字或标识，从而混淆了系统。
• 隐私风险和数据安全：安全存储车辆数据非常重要。正确的安全措施可以防止未经授权的访问并保护信息。有了适当的保障措施，ANPR 系统就可以既安全又可靠。

YOLO11 如何改进 ANPR 系统

Ultralytics YOLO11 可以使 ANPR 系统更快、更准确。它能快速处理图像，同时保持精度，而且不需要强大的计算能力，因此从小型安防摄像机到大型交通系统都能很好地使用。

通过自定义训练，YOLO11 可以适应不同的车牌样式、语言和环境。如果在包含这些条件的图像的专门数据集上进行自定义训练，它还能在光线不足、运动模糊和角度困难等挑战性条件下表现出色。

通过即时识别车辆，YOLO11 可帮助减少等待时间、防止错误并提高安全性。这使得停车场、收费站和监控系统的交通更加顺畅，运行更加高效。

使用YOLO11 和 GPT-4o Mini 构建 ANPR 系统

接下来，让我们看看如何使用YOLO11 和 GPT-4o Mini 构建 ANPR 系统。 

我们将利用Ultralytics Google Collab 笔记本中展示的代码来实现这一解决方案。Google Colab笔记本易于使用，任何人都可以创建 ANPR 系统，无需复杂的设置。

步骤 1：设置环境

开始时，我们需要安装我们的依赖项，或运行 ANPR 系统所需的基本软件包和库。这些依赖项有助于完成物体检测、图像处理和文本识别等任务，确保系统高效运行。

我们将安装Ultralytics Python 软件包，如下图所示。该软件包提供预训练模型、训练实用程序和推理工具，使使用YOLO11 检测和识别号牌变得更加容易。

‍

我们还需要设置 GPT-4o Mini 进行文本识别。由于 GPT-4o Mini 负责从检测到的车牌中提取文本，因此我们需要一个 API 密钥来访问模型。该密钥可通过注册 GPT-4o Mini API 获取。获得密钥后，可将其添加到 Colab 笔记本中，这样系统就能连接到模型并处理车牌号码。

完成设置并运行安装代码后，YOLO11 即可检测车牌，而 GPT-4o Mini 则可识别并提取其中的文字。

第 2 步：下载自定义训练模型

现在一切都已就绪，下一步就是下载YOLO11 模型，该模型经过定制训练，可以检测车牌。由于该模型已经过检测车牌的训练，因此无需从头开始训练。您只需下载即可使用。这样可以节省时间，使整个过程更加轻松。

此外，我们还将下载一个样本视频文件来测试系统。如果你愿意，也可以在自己的视频文件上运行此解决方案。下载完成后，模型和视频文件将存储在笔记本环境中。

‍

步骤 3：加载视频并开始检测

模型准备就绪后，就可以看到它的运行了。首先，加载视频文件进行处理，确保其正确打开。然后设置视频写入器，在保持原始大小和帧速率的情况下，保存经过处理的带有检测到的车牌的视频片段。最后，加载模型以检测视频每一帧中的车牌。

‍

加载模型后，系统将开始分析视频的每一帧，以检测车牌。发现车牌后，系统会用检测框突出显示，便于识别。这一步骤可确保只捕捉到相关细节，过滤掉不必要的背景信息。车牌检测成功后，视频就可以进入下一阶段了。

步骤 4：从号牌中提取文字

检测到车牌后，下一步就是文字识别。系统首先从视频帧中裁剪车牌，去除任何干扰因素，以获得清晰的视图。这有助于聚焦细节，即使在光线不足或运动模糊等恶劣条件下也能提高准确性。

一旦分离出印版，GPT-4o Mini就会分析图像，提取数字和字母，并将其转换为可读文本。然后将识别出的文本添加回视频中，实时标记每个检测到的平板。

完成这些步骤后，ANPR 系统就可以完全正常运行，轻松识别车牌。 

步骤 5：保存处理后的视频

最后一步是保存处理过的视频并清理临时文件，确保一切顺利运行。 

每个处理过的帧都会连同检测到的板块和识别出的文本一起写入最终输出视频中。处理完所有帧后，系统会关闭读取的视频文件，从而释放内存和系统资源。它还会最终完成并保存输出视频，使其可用于回放或进一步分析。

‍

部署 ANPR 系统

在构建和测试 ANPR 解决方案之后，下一步就是将其部署到真实环境中。大多数视觉人工智能模型都依赖于高性能计算，而Ultralytics YOLO11 则针对边缘人工智能进行了优化。它可以在小型设备上高效运行，无需云处理或持续的网络连接，是资源有限场所的最佳选择。

例如，一个封闭社区可以在边缘设备上部署YOLO11 ，以便在车辆进入时对其进行识别，从而无需大型服务器。一切都在现场实时处理，确保进出顺畅，减少拥堵，提高安全性。

‍

同时，在互联网连接稳定的地区，基于云的 ANPR 可以同时处理多个摄像头。例如，在购物中心，它可以跟踪不同入口的车辆，并将车牌号码存储在中央系统中，从而更容易监控停车情况、提高安全性并远程管理车辆流量。

自动指纹识别系统的未来之路

使用Ultralytics YOLO11，安装车牌自动识别 (ANPR) 系统非常简单。它能准确检测车牌，并可进行定制培训，以适应不同的环境和要求。

ANPR 系统可加强安全、简化停车管理并改善交通监控。通过自动识别车牌，这些系统可以减少错误，加快识别速度，并在各种应用中提高车辆跟踪效率。

加入 我们的社区，访问我们的 GitHub 存储库，了解人工智能的实际应用。在我们的解决方案页面上，探索我们的许可选项，了解更多有关制造业中的人工智能和自动驾驶汽车中的人工智能的信息。