ابنِ تطبيقات الطائرات المسيّرة المدعومة بالذكاء الاصطناعي باستخدام Ultralytics YOLO11

قد يبدو التسوق داخل المتجر والتسوق عبر الإنترنت متشابهين، لكنهما يعتمدان على لوجستيات مختلفة. تحتاج المتاجر إلى إعادة تزويد الرفوف بالمنتجات، بينما تعتمد الطلبات عبر الإنترنت على التوصيل إلى عتبة المنزل. وبفضل التقدم التكنولوجي، يُعاد تشكيل تجربتي التسوق بالتوازي.

على سبيل المثال، يشهد قطاع التوصيل تحولًا كبيرًا. إذ تغيّر الطائرات المسيّرة المدعومة بالذكاء الاصطناعي طريقة وصول المنتجات إلى منازلنا. ومن المتوقع أن تتولى هذه الطائرات المسيّرة الذكية نحو 808 ملايين عملية توصيل خلال العقد المقبل، محوِّلةً السماء إلى أحدث مسار للتوصيل في التجارة اليومية.

تستخدم طائرات التوصيل المسيّرة الذكاء الاصطناعي (AI) والرؤية الحاسوبية، وهي مجال فرعي من الذكاء الاصطناعي يُستخدم لتحليل البيانات المرئية، للتنقل والمناورة حول العوائق. ويمكن لنماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مساعدة الطائرات المسيّرة على اكتشاف الكائنات وتتبعها في الوقت الفعلي، مما يتيح لها فهم بيئتها والتفاعل معها بشكل أفضل.

الشكل 1. طائرة مسيّرة للتوصيل تنقل طردًا إلى وجهته.

تدمج شركات مثل Meituan وDJI الرؤية الحاسوبية في طائراتها المسيّرة بالفعل. وفي الواقع، أدى الانتشار السريع للطائرات المسيّرة في مختلف القطاعات إلى دفع سوق الطائرات المسيّرة المدعومة بالذكاء الاصطناعي نحو بلوغ 206.9 مليارات دولار بحلول عام 2031.

في هذه المقالة، سنلقي نظرةً أقرب على كيفية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في التطبيقات القائمة على الطائرات المسيّرة، مثل توصيل الطرود بالطائرات المسيّرة. وسنستعرض مثالًا يوضح كيفية تطوير هذه التقنيات واختبارها قبل استخدامها في سيناريوهات العالم الحقيقي.

استخدام Ultralytics YOLO11 على الطائرات المسيّرة لاكتشاف المنازل#

تتمثل إحدى الوظائف الأساسية لطائرات التوصيل المسيّرة في قدرتها على اكتشاف المنازل أثناء تنقلها. ولإعادة إنشاء هذه القدرة وفهم آلية عملها، سندرّب نموذج رؤية حاسوبية قادرًا على تحديد المنازل في لقطات التقطتها طائرة مسيّرة جوية. وسنقوم بتدريب مخصص لنموذج Ultralytics YOLO11 لهذا الغرض، ويتضمن ذلك ضبط نموذج YOLO11 مُدرَّب مسبقًا ليتعرف على المنازل ويكتشفها باستخدام أمثلة موسومة.

ولتنفيذ ذلك، سنحتاج إلى بيانات فيديو عالية الجودة من طائرة مسيّرة. ومن المثير للاهتمام أنه حتى من دون الوصول إلى طائرة مسيّرة حقيقية، يمكننا إنشاء لقطات جوية واقعية. لنلقِ نظرة على كيفية تحقيق ذلك.

إنشاء لقطة جوية اصطناعية باستخدام Google Earth Studio#

Google Earth Studio هي أداة رسوم متحركة قائمة على الويب، ويمكن للمستخدمين استخدامها لإنشاء محتوى ثابت ومتحرك باستخدام الصور الفضائية والصور ثلاثية الأبعاد الخاصة بـ Google Earth. ويمكننا استخدامها لإنشاء لقطات جوية واقعية.

تتمثل الخطوة الأولى في فتح Google Earth Studio وإنشاء مشروع، كما هو موضح أدناه.

ستحتاج إلى حساب Google لتسجيل الدخول.

الشكل 2. إنشاء مشروع على Google Earth Studio.

بعد تسجيل الدخول، يمكنك اختيار موقع لفيديو الطائرة المسيّرة الاصطناعي. وباستخدام شريط البحث في الزاوية العلوية اليسرى من الصفحة، يمكنك البحث عن المواقع. في هذا البرنامج التعليمي، سنختار كندا. وبما أننا سندرّب نموذجًا لاكتشاف المنازل، فينبغي أن يعرض فيديو الطائرة المسيّرة منظرًا جويًا للمنازل.

الشكل 3. اختيار موقع باستخدام Google Earth Studio.

بعد ذلك، يمكننا ضبط الإطارين الزمنيَين الأول والأخير لالتقاط حركة لقطة الطائرة المسيّرة الاصطناعية. بعد اختيار موقع البداية للّقطة، اضبط الإطار الأول باستخدام المعينات الزرقاء، كما هو موضح أدناه.

الشكل 4. ضبط الإطار الأول باستخدام المعينات الزرقاء.

بعد ذلك، يمكننا اختيار الإطار الأخير لتحديد وجهة الطائرة المسيّرة. وسيساعدنا ذلك على إنشاء تأثير الحركة للقطات الطائرة المسيّرة. ولتنفيذ ذلك، حرّك الشريط (المميز أدناه) إلى اليمين وصولًا إلى وقت محدد لإنشاء تأثير الحركة للّقطة. ومرة أخرى، استخدم المعينات الزرقاء لضبط النقطة الأخيرة.

الشكل 5. ضبط الإطار الأخير بتحريك الشريط.

أخيرًا، يمكنك حفظ هذا المشروع وعرضه بالنقر على الزر الأحمر “Render” في الزاوية العلوية اليمنى من الصفحة. وسيمنحك ذلك الناتج النهائي لفيديو لقطة الطائرة المسيّرة، مما يؤدي إلى إنشاء لقطات فيديو اصطناعية للطائرة المسيّرة بنجاح.

الشكل 6. عرض فيديو الناتج النهائي.

كيفية وسم بيانات الطائرة المسيّرة؟#

بعد أن أنشأنا لقطات فيديو اصطناعية للطائرة المسيّرة، تتمثل الخطوة التالية في وسم المنازل أو إضافة تعليقات توضيحية إليها. وسنحتاج أيضًا إلى فصل الإطارات الفردية للفيديو.

للبدء، سنثبّت LabelImg. إن LabelImg أداة مفتوحة المصدر لوسم الصور. ويمكنك تثبيتها مباشرةً من الطرفية باستخدام مثبت الحزم pip عبر تشغيل الأمر التالي: “pip install labelImg”.

بعد التثبيت، يمكنك تشغيل الأداة باستخدام الأمر ‘labelImg’ في الطرفية أو موجه الأوامر. وستنقلك هذه العملية إلى الصفحة الموضحة أدناه.

الشكل 7. واجهة أداة LabelImg.

في الوقت نفسه، يمكننا استخدام محوّل فيديو إلى صور عبر الإنترنت أو أداة تُسمى FFmpeg لتقسيم الفيديو إلى إطارات. إن FFmpeg مجموعة من المكتبات والأدوات لمعالجة محتوى الوسائط المتعددة، مثل الصوت والفيديو والترجمات والبيانات الوصفية ذات الصلة.

يمكنك استخدام أمر الطرفية التالي لفصل كل إطار من فيديو لقطات الطائرة المسيّرة:

ffmpeg -i input_video.mp4 frame_%04d.png

بعد فصل إطارات لقطات الطائرة المسيّرة، يمكننا البدء في وسم الكائنات (المنازل) الموجودة فيها. ومن خلال الانتقال إلى مجلد الصور عبر أداة LabelImg، يمكننا وسم الكائنات في كل صورة. احرص على حفظ كل صورة موسومة والتحقق منها. وبعد إضافة التعليقات التوضيحية إلى الصور، يمكننا الآن الانتقال إلى تدريب Ultralytics YOLO11 باستخدام هذه البيانات.

الشكل 8. مثال على حفظ الصور التي أُضيفت إليها تعليقات توضيحية.

سير عمل تدريب نموذج Ultralytics YOLO11#

قبل أن نبدأ تدريب Ultralytics YOLO11، سننظم صورنا وتسمياتنا. ابدأ بإنشاء مجلدين: أحدهما باسم "train" والآخر باسم "valid". قسّم صورك بين هذين المجلدين. وأنشئ داخل كل منهما مجلدين فرعيين منفصلين للصور وملفات التسميات المقابلة لها (بتنسيق نصي)، كما هو موضح أدناه.

الشكل 9. مثال على إنشاء مجلدات الصور والتسميات.

بعد ذلك، يمكننا بدء تدريب نموذج Ultralytics YOLO11 كما يلي:

• الخطوة 1: ثبّت حزمة Ultralytics Python. ويمكنك إجراء ذلك بتشغيل الأمر “pip install ultralytics” في الطرفية. وإذا واجهت أي مشكلات في التثبيت، فراجع دليل استكشاف الأخطاء وإصلاحها للاطلاع على نصائح وحيل تساعدك على حلها.
• الخطوة 2: بعد تثبيت الحزمة بنجاح، أنشئ ملفًا باسم ‘data.yaml’. هذا ملف تهيئة بالغ الأهمية لتدريب النموذج. أدرج في ملف data.yaml المعلومات التالية: مسار مجموعة بيانات التدريب، ومسار مجموعة بيانات التحقق، وعدد الفئات (nc)، وقائمة بأسماء الفئات (names)، كما هو موضح أدناه.

الشكل 10. مثال على ملف data.yaml.

• الخطوة 3: بعد تهيئة ملف ‘data.yaml’، يمكنك بدء تدريب نموذجك باستخدام تعليمات Python البرمجية التالية. تحمّل هذه التعليمات البرمجية نموذج Ultralytics YOLO11 المُدرَّب مسبقًا وتدرّبه وفقًا لتهيئاتك.

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)

• الخطوة 4: بعد اكتمال التدريب، ينبغي أن ترى ناتجًا مشابهًا للناتج الموضح أدناه. وهذا يعني أنك درّبت نموذج Ultralytics YOLO11 بنجاح لتطبيقات الطائرات المسيّرة.

الشكل 11. الناتج الظاهر بعد تدريب النموذج.

تشغيل التنبؤات باستخدام Ultralytics YOLO11 على الطائرات المسيّرة#

يمكن الآن استخدام نموذج Ultralytics YOLO11 المُدرَّب لإجراء التنبؤات من خلال عملية تُسمى الاستدلال. يتضمن الاستدلال استخدام نموذج لتحليل بيانات جديدة لم يسبق رؤيتها، استنادًا إلى ما تعلمه أثناء التدريب. وفي هذه الحالة، يمكن استخدام النموذج للعثور على كائنات محددة، مثل المنازل، في الصور أو مقاطع الفيديو ووسمها، من خلال رسم مربعات إحاطة حولها.

لتشغيل تنبؤ، يمكنك استخدام نموذج Ultralytics YOLO11 المُدرَّب على فيديو إدخال باستخدام تعليمات Python البرمجية التالية. في هذا المثال، سنستخدم فيديو الطائرة المسيّرة الاصطناعي نفسه الذي استُخدم للتدريب، ولكن يمكنك استخدام أي ملف فيديو آخر إذا رغبت.

# 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 هذه التعليمات البرمجية، سيُحفظ ملف فيديو الناتج الذي يتضمن التنبؤات ومربعات الإحاطة.

الشكل 12. إطار من ملف فيديو الناتج.

دمج Ultralytics YOLO11 على الطائرات المسيّرة لمختلف التطبيقات#

لا يُعد اكتشاف المنازل لتوصيل الطرود بالطائرات المسيّرة سوى مثال واحد على كيفية تطبيق الرؤية الحاسوبية وUltralytics YOLO11. فيما يلي بعض الاستخدامات الأخرى للرؤية الحاسوبية وYOLO11 والطائرات المسيّرة الجوية في العالم الحقيقي:

• المراقبة والأمن: يمكن استخدام الطائرات المسيّرة المدعومة بالذكاء الاصطناعي لمراقبة مناطق واسعة في الوقت الفعلي. ويمكنها اكتشاف عمليات التسلل، وتتبع الأنشطة المشبوهة، وتعزيز الأمن على الحدود الوطنية وكذلك في الفعاليات العامة الكبرى.

• الاستجابة للكوارث والبحث والإنقاذ: بفضل تزويدها بكاميرات حرارية وقدرات اكتشاف الكائنات، يمكن للطائرات المسيّرة المساعدة في تحديد مواقع الناجين في مناطق الكوارث. كما يمكنها تقييم الأضرار وإيصال الإمدادات الطارئة.

• الزراعة والزراعة الدقيقة: يمكن استخدام الطائرات المسيّرة المدمجة مع الرؤية الحاسوبية لتحليل صحة المحاصيل واكتشاف الأمراض، مما يساعد المزارعين على زيادة الإنتاجية مع خفض التكاليف.

• رسم الخرائط والتحليل الجغرافي المكاني: من خلال جمع خرائط ثلاثية الأبعاد عالية الدقة، يمكن للطائرات المسيّرة المدعومة بالذكاء الاصطناعي المساعدة في التخطيط الحضري ومسح الأراضي. وهي توفر تقييمات للتضاريس أسرع وأكثر دقة من الأساليب التقليدية.

أهم النقاط المستخلصة#

تُحدث الطائرات المسيّرة المدعومة بالرؤية الحاسوبية تغييرًا في العديد من القطاعات، بدءًا من توصيل الطرود وصولًا إلى المساعدة في حالات الطوارئ والزراعة. وفي هذا الدليل، استعرضنا إنشاء فيديو اصطناعي لطائرة مسيّرة، ووسم الكائنات فيه، وتدريب Ultralytics YOLO11، واستخدامه لاكتشاف المنازل.

يؤدي تطبيق اكتشاف الكائنات على لقطات الطائرات المسيّرة إلى جعل هذه الطائرات أكثر ذكاءً، مما يتيح لها التعرف على الكائنات وتتبعها تلقائيًا في الوقت الفعلي. ومع تحسن التكنولوجيا، يُرجح أن تؤدي الطائرات المسيّرة المعتمدة على الذكاء الاصطناعي دورًا أكبر في تسريع عمليات التوصيل، وتحسين الأمن، والمساعدة في الاستجابة للكوارث.

انضم إلى مجتمعنا واستكشف مستودعنا على GitHub لمعرفة المزيد عن الذكاء الاصطناعي للرؤية، واطّلع على خيارات الترخيص لدينا لبدء مشاريعك في مجال الرؤية الحاسوبية. هل تهتم بابتكارات مثل الذكاء الاصطناعي في التصنيع أو الرؤية الحاسوبية في قطاع السيارات؟ تفضل بزيارة صفحات حلولنا لاكتشاف المزيد.