La reconnaissance automatique des plaques d'immatriculation (ALPR) fait l'objet de nombreuses recherches en raison de ses nombreuses applications pratiques. Toutefois, de nombreuses solutions actuelles ne sont pas encore suffisamment robustes dans des situations réelles, souvent en raison de contraintes multiples. Ce papier présente un système ALPR robuste et efficace, fondé sur le détecteur d'objets de pointe YOLO. Les réseaux de neurones convolutifs (CNN) sont entraînés et affinés pour chaque étape du processus ALPR afin d’assurer une robustesse face à diverses conditions (par exemple, variations de caméra, d’éclairage et d’arrière-plan). En particulier pour la segmentation et la reconnaissance des caractères, nous proposons une approche en deux étapes, utilisant des techniques simples d’augmentation de données telles que des plaques d'immatriculation inversées et des caractères retournés. L’approche ALPR ainsi obtenue a atteint des résultats remarquables sur deux jeux de données. Premièrement, sur le jeu de données SSIG, composé de 2 000 images issues de 101 vidéos de véhicules, notre système a atteint un taux de reconnaissance de 93,53 % à 47 images par seconde (FPS), surpassant à la fois les systèmes commerciaux Sighthound (89,80 %) et OpenALPR (93,03 %), et dépassant significativement les résultats antérieurs (81,80 %). Deuxièmement, dans une optique plus réaliste, nous introduisons un nouveau jeu de données public plus important, appelé UFPR-ALPR, spécifiquement conçu pour les tâches ALPR. Ce jeu de données comprend 150 vidéos et 4 500 images capturées dans des conditions où à la fois la caméra et les véhicules sont en mouvement, et inclut différents types de véhicules (voitures, motos, bus et camions). Sur ce jeu de données, les versions d’essai des systèmes commerciaux ont atteint des taux de reconnaissance inférieurs à 70 %. En revanche, notre système s’est distingué avec un taux de reconnaissance de 78,33 % et une cadence de 35 FPS.