إنشاء تطبيقات للطائرات المسيّرة مدعومة بالذكاء الاصطناعي باستخدام Ultralytics YOLO11

قد يبدو التسوق من المتاجر والتسوق عبر الإنترنت متشابهين، لكنهما يعتمدان على عمليات لوجستية مختلفة. تحتاج المتاجر إلى إعادة تزويد الرفوف بالبضائع، بينما تعتمد الطلبات عبر الإنترنت على التوصيل إلى عتبة الباب. وبفضل التقدم التكنولوجي، تتغير تجربتا التسوق بالتوازي.

على سبيل المثال، يشهد التوصيل تحولًا كبيرًا. فالطائرات المسيّرة المدعومة بالذكاء الاصطناعي تغيّر طريقة وصول المنتجات إلى منازلنا. ومن المتوقع أن تنفذ هذه الطائرات المسيّرة الذكية نحو 808 ملايين عملية توصيل خلال العقد المقبل، محولةً السماء إلى أحدث مسارات التوصيل للتجارة 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 الأجسام وتتبعها في الوقت الفعلي، ما يمكّنها من فهم بيئتها والتفاعل معها على نحو أفضل.

الشكل 1. طائرة توصيل مسيّرة تنقل طردًا إلى وجهته.

تدمج شركات مثل Meituan وDJI الرؤية الحاسوبية في طائراتها المسيّرة بالفعل. وقد أسهم الانتشار السريع للطائرات المسيّرة في قطاعات مختلفة في تهيئة سوق الطائرات المسيّرة المعززة بالذكاء الاصطناعي للوصول إلى 206.9 مليار دولار بحلول عام 2031.

في هذا المقال، سنلقي نظرة أقرب على كيفية استخدام نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 في تطبيقات تعتمد على الطائرات المسيّرة، مثل توصيل الطرود. وسنستعرض مثالًا يوضح كيفية تطوير هذه التقنيات واختبارها قبل استخدامها في سيناريوهات العالم الحقيقي.

استخدام Ultralytics YOLO11 على الطائرات المسيّرة لاكتشاف المنازل#

تتمثل إحدى القدرات الأساسية لطائرات التوصيل المسيّرة في اكتشاف المنازل أثناء تنقلها. ولإعادة إنشاء هذه القدرة وفهم آلية عملها، سندرّب نموذج رؤية حاسوبية يستطيع تحديد المنازل في لقطات مصورة بطائرة مسيّرة جوية. سنجري تدريبًا مخصصًا لنموذج Ultralytics YOLO11 لهذا الغرض، وذلك بضبط نموذج YOLO11 مُدرّب مسبقًا ليتعرف على المنازل ويكتشفها باستخدام أمثلة موسومة.

للقيام بذلك، سنحتاج إلى بيانات فيديو عالية الجودة من طائرة مسيّرة. ومن المثير للاهتمام أنه يمكننا إنشاء لقطات جوية واقعية حتى من دون إمكانية الوصول إلى طائرة مسيّرة حقيقية. لنلقِ نظرة على الطريقة.

إنشاء لقطة جوية اصطناعية لطائرة مسيّرة باستخدام Google Earth Studio#

Google Earth Studio أداة رسوم متحركة قائمة على الويب تتيح للمستخدمين إنشاء محتوى ثابت ومتحرك باستخدام صور الأقمار الصناعية والصور ثلاثية الأبعاد من 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 في Google Earth Studio.

بعد تسجيل الدخول، يمكنك اختيار موقع لفيديو الطائرة المسيّرة الاصطناعي. استخدم شريط البحث في أعلى يسار الصفحة للبحث عن المواقع. في هذا الدليل، سنختار كندا. وبما أننا سندرّب نموذجًا لاكتشاف المنازل، ينبغي أن يعرض فيديو الطائرة المسيّرة مشهدًا جويًا للمنازل.

الشكل 3. اختيار موقع باستخدام Google Earth Studio.

بعد ذلك، يمكننا تحديد الإطارين الأول والأخير لالتقاط حركة اللقطة الاصطناعية للطائرة المسيّرة. بعد اختيار الموقع الذي تبدأ منه اللقطة، حدّد الإطار الأول باستخدام المعينات الزرقاء، كما هو موضح أدناه.

الشكل 4. تحديد الإطار الأول باستخدام المعينات الزرقاء.

بعد ذلك، يمكننا اختيار الإطار الأخير لتحديد وجهة الطائرة المسيّرة. سيساعدنا ذلك على إنشاء تأثير الحركة في لقطات الطائرة المسيّرة. لتحقيق ذلك، حرّك الشريط (الموضح أدناه) إلى اليمين وصولًا إلى وقت محدد لإنشاء تأثير الحركة في اللقطة. ومرة أخرى، استخدم المعينات الزرقاء لتحديد النقطة الأخيرة.

الشكل 5. تحديد الإطار الأخير بتحريك الشريط.

أخيرًا، يمكنك حفظ هذا المشروع وإنتاج الفيديو بالنقر على الزر الأحمر «Render» في أعلى يمين الصفحة. سينتج عن ذلك الفيديو النهائي للّقطة، وبذلك تكون قد أنشأت لقطات فيديو اصطناعية لطائرة مسيّرة.

الشكل 6. إنتاج فيديو المخرجات النهائي.

كيفية وسم بيانات الطائرة المسيّرة؟#

بعد إنشاء لقطات فيديو اصطناعية لطائرة مسيّرة، تتمثل الخطوة التالية في وسم المنازل أو إضافة تعليقات توضيحية إليها. وسنحتاج أيضًا إلى فصل إطارات الفيديو الفردية.

للبدء، سنثبّت LabelImg. LabelImg أداة مفتوحة المصدر لوسم الصور. يمكنك تثبيتها مباشرةً من الطرفية باستخدام مثبّت الحزم pip، وذلك بتنفيذ الأمر التالي: “pip install labelImg”.

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

الشكل 7. واجهة أداة LabelImg.

في هذه الأثناء، يمكننا استخدام محوّل فيديو إلى صور عبر الإنترنت، أو أداة تُسمى FFmpeg لتقسيم الفيديو إلى إطارات. 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 بوضع تسميات للأجسام (المنازل) فيها. وباستخدام أداة LabelImg للتنقل إلى مجلد الصور، يمكننا وضع تسمية للأجسام في كل صورة. تأكد من ضبط LabelImg لحفظ التسميات بتنسيق YOLO، واحفظ كل صورة موسومة وتحقق منها. بعد التعليق التوضيحي على الصور، يمكننا الانتقال إلى تدريب Ultralytics YOLO11 باستخدام هذه البيانات.

الشكل 8. مثال على حفظ الصور المشروحة.

سير عمل تدريب نموذج Ultralytics YOLO11#

قبل بدء تدريب Ultralytics YOLO11، سننظم الصور والتسميات. ابدأ بإنشاء مجلدين: سمِّ أحدهما "train" والآخر "valid". وزّع الصور 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 البدء بتدريب نموذج Ultralytics YOLO11 كما يلي:

• الخطوة 1: ثبّت حزمة Ultralytics لـPython. يمكنك إجراء ذلك بتنفيذ الأمر “pip install ultralytics” في الطرفية. إذا واجهت أي مشكلات في التثبيت، فراجع دليل استكشاف الأخطاء وإصلاحها للحصول على نصائح تساعدك على حلها.
• الخطوة 2: بعد تثبيت الحزمة بنجاح، أنشئ ملفاً باسم ‘data.yaml’. هذا ملف إعداد مجموعة البيانات الضروري لتدريب النموذج. أدرج المعلومات التالية في ملف data.yaml: مسار مجموعة بيانات التدريب، ومسار مجموعة بيانات التحقق، وعدد الفئات (nc)، وقائمة أسماء الفئات (names)، كما هو موضح أدناه.

الشكل 10. مثال على ملف data.yaml.

• الخطوة 3: بعد إعداد ملف ‘data.yaml’، يمكنك بدء تدريب النموذج باستخدام شيفرة Python التالية. تحمّل هذه الشيفرة نموذج Ultralytics YOLO11n المدرَّب مسبقاً وتدرّبه وفقاً لإعداداتك.

from ultralytics import YOLO

# ⁨تحميل نموذج YOLO11⁩
model = YOLO("yolo11n.pt")  # ⁨اختر نموذجك، مثل YOLO11 nano⁩

# ⁨تدريب النموذج باستخدام بياناتك وإعداداتك⁩
model.train(data="data.yaml", epochs=100, imgsz=640)

• الخطوة 4: بعد اكتمال التدريب، ينبغي أن ترى مخرجات مشابهة للمخرجات الموضحة أدناه. وهذا يعني أنك درّبت بنجاح نموذج Ultralytics YOLO11 لتطبيقات الطائرات المسيّرة.

الشكل 11. المخرجات التي تظهر بعد تدريب النموذج.

تشغيل التنبؤات باستخدام Ultralytics YOLO11 على الطائرات المسيّرة#

يمكن الآن استخدام نموذج Ultralytics YOLO11 المدرَّب لإجراء تنبؤات عبر عملية تُسمى الاستدلال. ويتضمن الاستدلال استخدام النموذج لتحليل بيانات جديدة لم يسبق له رؤيتها، استناداً إلى ما تعلّمه أثناء التدريب. في هذه الحالة، يمكن استخدام النموذج للعثور على أجسام محددة، مثل المنازل، في الصور أو مقاطع الفيديو ووضع تسميات لها، وذلك برسم مربعات إحاطة حولها.

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

# ⁨استيراد المكتبة⁩
from ultralytics import YOLO

# ⁨تحميل نموذج YOLO⁩
model = YOLO("best.pt")  # ⁨اختيار النموذج المدرّب خصيصًا⁩

# ⁨التنبؤ بالنتائج باستخدام النموذج⁩
results = model.predict(source="path/to/original/video.mp4", show=True, save=True)

بعد تشغيل هذه الشيفرة، سيُحفظ ملف الفيديو الناتج، متضمنًا التنبؤات ومربعات الإحاطة.

الشكل 12. إطار من ملف الفيديو الناتج.

دمج Ultralytics YOLO11 في الطائرات المسيّرة لمختلف التطبيقات#

يُعد اكتشاف المنازل لتوصيل الطرود بالطائرات المسيّرة مثالًا واحدًا فقط على كيفية تطبيق الرؤية الحاسوبية وUltralytics YOLO11. فيما يلي استخدامات أخرى للرؤية الحاسوبية وYOLO11 والطائرات المسيّرة الجوية في العالم الحقيقي:

• المراقبة والأمن: يمكن استخدام الطائرات المسيّرة المدعومة بالذكاء الاصطناعي لمراقبة مساحات واسعة في الوقت الفعلي. ويمكنها اكتشاف التسلل وتتبع الأنشطة المشبوهة وتعزيز الأمن عند الحدود الوطنية وكذلك في الفعاليات العامة الكبرى.
• الاستجابة للكوارث والبحث والإنقاذ: يمكن للطائرات المسيّرة المجهزة بكاميرات حرارية وتقنيات اكتشاف الأجسام المساعدة على 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، ما 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 تتيح تقييم التضاريس بسرعة ودقة أكبر من الطرق التقليدية.

أبرز النقاط#

تُحدث الطائرات المسيّرة المدعومة بالذكاء الاصطناعي ورؤية الحاسوب تحولًا في العديد من الصناعات، بدءًا من توصيل الطرود ووصولًا إلى المساعدة في حالات الطوارئ والزراعة. في هذا الدليل، استعرضنا خطوات إنشاء مقطع فيديو اصطناعي لطائرة مسيّرة، ووضع تسميات للكائنات فيه، وتدريب Ultralytics YOLO11، واستخدامه لاكتشاف المنازل.

يجعل تطبيق اكتشاف الكائنات على لقطات الطائرات المسيّرة هذه الطائرات أكثر ذكاءً، إذ يتيح لها التعرّف على الكائنات وتتبعها تلقائيًا وفي الوقت الفعلي. ومع تطور التكنولوجيا، يُرجح أن تؤدي الطائرات المسيّرة المدعومة بالذكاء الاصطناعي دورًا أكبر في تسريع عمليات التوصيل، وتحسين الأمن، والمساعدة في الاستجابة للكوارث.

انضم إلى مجتمعنا واستكشف مستودع GitHub لمعرفة المزيد عن الذكاء الاصطناعي للرؤية، واطّلع على خيارات الترخيص لبدء مشاريع رؤية الحاسوب. هل تهتم بالابتكارات مثل الذكاء الاصطناعي في التصنيع أو رؤية الحاسوب في صناعة السيارات؟ تفضّل بزيارة صفحات حلولنا لاكتشاف المزيد.