18 أبريل، 2025
تعرّف على كيفية إنشاء تطبيقات طائرات بدون طيار مدعومة بالذكاء الاصطناعي باستخدام Ultralytics YOLO11 مما يتيح اكتشاف الأجسام في الوقت الفعلي ومهام الرؤية الحاسوبية القائمة على الطائرات بدون طيار.
قد يبدو التسوق في المتاجر والتسوق عبر الإنترنت متشابهين، لكنهما يعتمدان على خدمات لوجستية مختلفة. تحتاج المتاجر إلى إعادة تخزين الرفوف، بينما تعتمد الطلبات عبر الإنترنت على التوصيل إلى المنازل. بفضل التطورات التكنولوجية، تتم إعادة تشكيل تجربتي التسوق بالتوازي.
على سبيل المثال، يحدث تحول كبير في عمليات التسليم. تعمل الطائرات بدون طيار التي تعمل بالذكاء الاصطناعي على تغيير طريقة وصول المنتجات إلى منازلنا. من المتوقع أن تتعامل هذه الطائرات الذكية بدون طيار مع حوالي 808 ملايين عملية تسليم في العقد القادم، مما يحول السماء إلى أحدث طريق تسليم للتجارة اليومية.
تستخدم طائرات التوصيل بدون طيار الذكاء الاصطناعي (AI) والرؤية الحاسوبية، وهو مجال فرعي من الذكاء الاصطناعي يُستخدم لتحليل البيانات المرئية، للتنقل والمناورة حول العقبات. نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 يمكن أن تساعد الطائرات بدون طيار على detect الأجسام track في الوقت الفعلي، مما يسمح لها بفهم بيئتها والتفاعل معها بشكل أفضل.
تقوم شركات مثل Meituan و DJI بدمج الرؤية الحاسوبية بالفعل في طائراتها بدون طيار. في الواقع، أدى التبني السريع للطائرات بدون طيار في مختلف الصناعات إلى إعداد سوق الطائرات بدون طيار التي تعمل بالذكاء الاصطناعي للارتفاع إلى 206.9 مليار دولار بحلول عام 2031.
في هذه المقالة، سنلقي نظرة فاحصة على كيفية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في التطبيقات القائمة على الطائرات بدون طيار مثل عمليات التسليم بالطائرات بدون طيار. سنستعرض مثالاً يوضح كيف يمكن تطوير هذه التقنيات واختبارها قبل استخدامها في سيناريوهات العالم الحقيقي.
يتمثل أحد الأجزاء الرئيسية لطائرات التوصيل بدون طيار في قدرتها على detect المنازل أثناء تنقلها. لإعادة إنشاء هذه القدرة وفهم كيفية عملها، سنقوم بتدريب نموذج رؤية حاسوبية يمكنه تحديد المنازل في اللقطات التي تلتقطها طائرة بدون طيار. سنقوم بتدريب YOLO11 خصيصاً لهذا الغرض، والذي يتضمن ضبط نموذج YOLO11 المدرب مسبقاً للتعرف على المنازل detect باستخدام أمثلة مصنفة.
للقيام بذلك، سنحتاج إلى بيانات فيديو عالية الجودة من طائرة بدون طيار. ومن المثير للاهتمام، حتى بدون الوصول إلى طائرة بدون طيار حقيقية، لا يزال بإمكاننا إنشاء لقطات جوية واقعية. دعونا نلقي نظرة على كيفية ذلك.
Google Earth Studio عبارة عن أداة رسوم متحركة على الويب يمكن للمستخدمين استخدامها لإنشاء محتوى ثابت ومتحرك باستخدام صور الأقمار الصناعية والصور ثلاثية الأبعاد من Google Earth. يمكننا استخدامه لإنشاء لقطات جوية واقعية.
الخطوة الأولى هي فتح Google Earth Studio وإنشاء مشروع، كما هو موضح أدناه.
ستحتاج إلى حساب Google لتسجيل الدخول.
بمجرد تسجيل الدخول، يمكنك اختيار موقع لفيديو الطائرة بدون طيار الاصطناعية. باستخدام شريط البحث في الزاوية العلوية اليسرى من الصفحة، يمكنك البحث عن المواقع. في هذا البرنامج التعليمي، سنختار كندا. أيضًا، نظرًا لأننا سنقوم بتدريب نموذج detect المنازل، يجب أن يحتوي فيديو الطائرة بدون طيار على منظر جوي للمنازل.
بعد ذلك، يمكننا تعيين الإطارات الزمنية الأولى والأخيرة لالتقاط حركة لقطة الطائرة بدون طيار الاصطناعية. بمجرد اختيار الموقع الأولي للقطة الطائرة بدون طيار، قم بتعيين الإطار الأول باستخدام المعينات الزرقاء، كما هو موضح أدناه.
بعد ذلك، يمكننا اختيار الإطار الأخير لتحديد وجهة الطائرة بدون طيار. سيساعدنا هذا في إنشاء تأثير متحرك للقطات التي التقطتها الطائرة بدون طيار. للقيام بذلك، حرّك الشريط (المميز أدناه) إلى اليمين إلى وقت محدد لإنشاء التأثير المتحرك للقطة الطائرة بدون طيار. مرة أخرى، استخدم المعينات الزرقاء لتعيين النقطة الأخيرة.
أخيرًا، يمكنك حفظ هذا المشروع وتقديمه بالضغط على زر “Render” الأحمر في الزاوية العلوية اليمنى من الصفحة. سيمنحك هذا إخراج الفيديو النهائي للقطة الطائرة بدون طيار، مما يؤدي بنجاح إلى إنشاء لقطات فيديو اصطناعية للطائرة بدون طيار.
الآن بعد أن أنشأنا لقطات فيديو اصطناعية للطائرات بدون طيار، فإن الخطوة التالية هي تسمية أو إضافة تعليقات توضيحية إلى المنازل الموجودة فيها. سنحتاج أيضًا إلى فصل الإطارات الفردية للفيديو.
للبدء في ذلك، سنقوم بتثبيت LabelImg. LabelImg هي أداة مفتوحة المصدر لتسمية الصور. يمكنك تثبيتها مباشرة من الجهاز الطرفي باستخدام أداة تثبيت الحزم pip عن طريق تشغيل الأمر التالي: pip install labelImg”.
بعد التثبيت، يمكنك تشغيل الأداة باستخدام الأمر 'labelImg' على جهازك الطرفي أو موجه الأوامر. سينقلك هذا إلى الصفحة الموضحة أدناه.
في غضون ذلك، يمكننا إما استخدام محول فيديو إلى صورة عبر الإنترنت أو أداة تسمى FFmpeg لتقسيم الفيديو إلى إطارات. FFmpeg عبارة عن مجموعة من المكتبات والأدوات لمعالجة محتوى الوسائط المتعددة مثل الصوت والفيديو والترجمة المصاحبة والبيانات الوصفية ذات الصلة.
يمكنك استخدام أمر الوحدة الطرفية (terminal) التالي لفصل كل إطار من فيديو لقطات الطائرة بدون طيار:
بمجرد أن نفصل إطارات لقطات الطائرة بدون طيار، يمكننا البدء في تسمية الأجسام (المنازل) الموجودة فيها. من خلال التنقل إلى مجلد الصور من خلال أداة LabelImg، يمكننا تسمية الكائنات في كل صورة. تأكد من حفظ كل صورة مصنفة والتحقق منها. بعد وضع التعليقات التوضيحية على الصور، يمكننا الآن الانتقال إلى تدريب YOLO11 باستخدام هذه البيانات.
قبل أن نبدأ تدريب YOLO11 سننظم صورنا وتسمياتنا. ابدأ بإنشاء مجلدين: أحدهما باسم "تدريب" والآخر "صالح". قسّم صورك بين هذين المجلدين. داخل كلٍ منهما، قم بإنشاء مجلدات فرعية منفصلة للصور وملفات التسمية المقابلة لها (بتنسيق نصي)، كما هو موضح أدناه.
بعد ذلك، يمكننا البدء في تدريب نموذج YOLO11 على النحو التالي:
from ultralytics import YOLO
# Load a YOLO11 model
model = YOLO("yolo11n.pt") # choose your model, e.g., YOLO11 nano
# Train the model with your data and settings
model.train(data="data.yaml", epochs=100, imgsz=640)
يمكن الآن استخدام نموذج YOLO11 المُدرَّب لإجراء تنبؤات من خلال عملية تُسمى الاستدلال. تتضمن عملية الاستدلال استخدام نموذج لتحليل البيانات الجديدة غير المرئية بناءً على ما تعلّمه أثناء التدريب. في هذه الحالة، يمكن استخدام النموذج للعثور على كائنات محددة، مثل المنازل، في الصور أو مقاطع الفيديو وتسميتها من خلال رسم مربعات محددة حولها.
لتشغيل تنبؤ، يمكنك استخدام نموذج YOLO11 المُدرَّب على فيديو مُدخَل باستخدام شيفرة Python التالية. في هذا المثال، سنستخدم في هذا المثال نفس فيديو الطائرة بدون طيار الاصطناعي الذي تم استخدامه للتدريب، ولكن يمكنك استخدام أي ملف فيديو آخر إذا كنت تفضل ذلك.
# Import library
from ultralytics import YOLO
# Load the YOLO model
model = YOLO("best.pt") # Choose your custom-trained model
# Predict the results from the model
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)بعد تشغيل هذا الكود، سيتم حفظ ملف الفيديو الناتج مع التوقعات والمربعات المحيطة.
يعد اكتشاف المنازل من أجل توصيل الطرود بالطائرات بدون طيار مثالاً واحداً فقط على كيفية تطبيق رؤية الكمبيوتر و YOLO11 . فيما يلي بعض الاستخدامات الواقعية الأخرى للرؤية الحاسوبية و YOLO11 والطائرات بدون طيار:
تُغيّر الطائرات بدون طيار المدعومة بالذكاء الاصطناعي التي تعمل بالكمبيوتر العديد من الصناعات، من توصيل الطرود إلى المساعدة في حالات الطوارئ والزراعة. في هذا الدليل، استعرضنا في هذا الدليل كيفية إنشاء فيديو لطائرة اصطناعية بدون طيار، وتسمية الأجسام الموجودة فيه، وتدريب YOLO11 واستخدامه detect المنازل.
إن تطبيق اكتشاف الأجسام على لقطات الطائرات بدون طيار يجعل هذه الطائرات أكثر ذكاءً، مما يسمح لها بالتعرف على الأجسام track تلقائياً في الوقت الحقيقي. مع تحسن التكنولوجيا، من المرجح أن تلعب الطائرات بدون طيار التي تعتمد على الذكاء الاصطناعي دوراً أكبر في توصيل الطلبات بشكل أسرع، وتحسين الأمن، والمساعدة في الاستجابة للكوارث.
انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد حول Vision AI، وتحقق من خيارات الترخيص الخاصة بنا لبدء مشاريع رؤية الكمبيوتر الخاصة بك. هل أنت مهتم بالابتكارات مثل الذكاء الاصطناعي في التصنيع أو رؤية الكمبيوتر في صناعة السيارات؟ قم بزيارة صفحات الحلول الخاصة بنا لاكتشاف المزيد.
