بناء تطبيقات الطائرات بدون طيار مدعومة بالذكاء الاصطناعي باستخدام Ultralytics YOLO11

قد يبدو التسوق داخل المتاجر والتسوق عبر الإنترنت متشابهين، لكنهما يعتمدان على لوجستيات مختلفة. فالمتاجر تحتاج إلى إعادة ملء الأرفف، بينما تعتمد الطلبات عبر الإنترنت على التوصيل إلى عتبة الدار. وبفضل التطورات التكنولوجية، يجري إعادة تشكيل تجارب التسوق هذه بالتوازي.

على سبيل المثال، يحدث تحول كبير في عمليات التوصيل. فالمسيّرات المدعومة بالذكاء الاصطناعي تغير طريقة وصول المنتجات إلى منازلنا. ومن المتوقع أن تتعامل هذه المسيّرات الذكية مع حوالي 808 million deliveries في العقد القادم، مما يجعل السماوات أحدث مسار توصيل للتجارة اليومية.

تستخدم طائرات التوصيل المسيّرة الذكاء الاصطناعي (AI) وcomputer vision، وهو فرع فرعي من الذكاء الاصطناعي يُستخدم لتحليل البيانات المرئية، للتنقل والمناورة حول العقبات. يمكن لننماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 مساعدة المسيّرات في اكتشاف الكائنات وتتبعها في الوقت الفعلي، مما يسمح لها بفهم بيئتها والتفاعل معها بشكل أفضل.

Fig 1. طائرة توصيل مسيّرة تأخذ طرداً إلى وجهته.

تقوم شركات مثل Meituan وDJI بالفعل دمج الرؤية الحاسوبية في مسيّراتها. في الواقع، أدى التبني السريع للمسيّرات في مختلف الصناعات إلى دفع AI drone market للوصول 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 توصيل الطلبات. سنستعرض مثالاً يوضح كيفية تطوير هذه التقنيات واختبارها قبل استخدامها في سيناريوهات العالم الحقيقي.

استخدام Ultralytics YOLO11 على الطائرات بدون طيار لاكتشاف المنازل#

يتمثل الجزء الأساسي من طائرات التوصيل المسيرة في قدرتها على اكتشاف المنازل أثناء تنقلها. لإعادة إنشاء هذه القدرة وفهم كيفية عملها، سنقوم بتدريب نموذج رؤية حاسوبية يمكنه التعرف على المنازل في اللقطات الملتقطة بواسطة طائرة مسيرة جوية. سنقوم بـ تدريب مخصص باستخدام Ultralytics YOLO11 لتحقيق ذلك، ويتضمن ذلك الضبط الدقيق لنموذج YOLO11 مدرب مسبقاً للتعرف على المنازل واكتشافها باستخدام أمثلة مصنفة.

للقيام بذلك، سنحتاج إلى بيانات فيديو عالية الجودة من طائرة بدون طيار. ومن المثير للاهتمام أنه حتى بدون الوصول إلى طائرة بدون طيار حقيقية، لا يزال بإمكاننا إنشاء لقطات جوية واقعية. دعونا نلقي نظرة على كيفية القيام بذلك.

إنشاء لقطة طائرة بدون طيار اصطناعية باستخدام Google Earth Studio#

Google Earth Studio هي أداة رسوم متحركة تعتمد على الويب يمكن للمستخدمين استخدامها لإنشاء محتوى ثابت ومتحرك باستخدام صور الأقمار الصناعية والصور ثلاثية الأبعاد من Google Earth. يمكننا استخدامها لإنشاء لقطات جوية واقعية.

الخطوة الأولى هي فتح برنامج Google Earth Studio وإنشاء مشروع، كما هو موضح أدناه.

ستحتاج إلى حساب Google لتسجيل الدخول.

شكل 2. إنشاء مشروع على Google Earth Studio.

بمجرد تسجيل الدخول، يمكنك اختيار موقع لفيديو الطائرة بدون طيار الاصطناعي الخاص بك. باستخدام شريط البحث في الزاوية العلوية اليسرى من الصفحة، يمكنك البحث عن المواقع. لهذا البرنامج التعليمي، سنختار كندا. أيضاً، نظراً لأننا سنقوم بتدريب نموذج لاكتشاف المنازل، يجب أن يحتوي فيديو الطائرة بدون طيار الخاص بنا على منظر جوي للمنازل.

شكل 3. اختيار موقع باستخدام Google Earth Studio.

بعد ذلك، يمكننا تعيين الإطارات الزمنية الأولى والأخيرة لالتقاط حركة لقطة الطائرة بدون طيار الاصطناعية. بمجرد اختيار موقع البداية للقطة، قم بتعيين الإطار الأول باستخدام المعينات الزرقاء، كما هو موضح أدناه.

شكل 4. تعيين الإطار الأول باستخدام المعينات الزرقاء.

بعد ذلك، يمكننا اختيار الإطار الأخير لتحديد وجهة الطائرة بدون طيار. سيساعدنا هذا في إنشاء تأثير حركي للقطات الطائرة بدون طيار. للقيام بذلك، اسحب الشريط (المظلل أدناه) إلى اليمين إلى وقت محدد من أجل إنشاء تأثير الحركة للقطة. مرة أخرى، استخدم المعينات الزرقاء لتعيين النقطة الأخيرة.

شكل 5. تعيين الإطار الأخير عن طريق تحريك الشريط.

أخيراً، يمكنك حفظ هذا المشروع وتصييره (Render) بالضغط على زر "Render" الأحمر في الزاوية العلوية اليمنى من الصفحة. سيعطيك هذا إخراج الفيديو النهائي للقطة الطائرة بدون طيار، مما ينشئ لقطات فيديو اصطناعية ناجحة.

شكل 6. تصيير فيديو الإخراج النهائي.

كيفية تصنيف بيانات الطائرة بدون طيار؟#

الآن بعد أن أنشأنا مقطع فيديو مصطنعاً للمسيّرة، فإن الخطوة التالية هي label or annotate المنازل الموجودة فيه. سنحتاج أيضاً إلى فصل الإطارات الفردية للفيديو.

للبدء في ذلك، سنقوم بتثبيت LabelImg. LabelImg هي أداة مفتوحة المصدر لتصنيف الصور. يمكنك تثبيتها مباشرة من الجهاز باستخدام مثبت الحزم pip عن طريق تشغيل الأمر التالي: "pip install labelImg".

بعد التثبيت، يمكنك تشغيل الأداة باستخدام الأمر ‘labelImg’ على جهازك أو موجه الأوامر. سيؤدي هذا إلى نقلك إلى الصفحة الموضحة أدناه.

شكل 7. واجهة أداة LabelImg.

في هذه الأثناء، يمكننا إما استخدام محول فيديو إلى صور عبر الإنترنت أو أداة تسمى FFmpeg لتقسيم الفيديو إلى إطارات. FFmpeg عبارة عن مجموعة من المكتبات والأدوات لمعالجة المحتوى الوسائط المتعددة مثل الصوت والفيديو والترجمات والبيانات الوصفية ذات الصلة.

يمكنك استخدام أمر الجهاز التالي لفصل كل إطار من فيديو لقطات الطائرة بدون طيار:

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

بمجرد فصل إطارات لقطات الطائرة بدون طيار، يمكننا البدء في تصنيف الكائنات (المنازل) فيها. من خلال الانتقال إلى مجلد الصور عبر أداة LabelImg، يمكننا تصنيف الكائنات في كل صورة. تأكد من حفظ كل صورة مصنفة والتحقق منها. بعد التعليق على الصور، يمكننا الآن الانتقال إلى تدريب Ultralytics YOLO11 باستخدام هذه البيانات.

شكل 8. مثال على حفظ الصور المعلق عليها.

سير عمل تدريب نموذج Ultralytics YOLO11#

قبل أن نبدأ في تدريب Ultralytics YOLO11، سنقوم بترتيب صورنا وتسمياتنا. ابدأ بإنشاء مجلدين: أحدهما يحمل اسم "train" والآخر "valid". قم بتوزيع صورك بين هذين المجلدين. داخل كل منهما، قم بإنشاء مجلدات فرعية منفصلة للصور وملفات التسميات المقابلة لها (بتنسيق نصي)، كما هو موضح أدناه.

شكل 9. مثال على إنشاء مجلدات الصور والتصنيف.

بعد ذلك، يمكننا البدء في تدريب نموذج Ultralytics YOLO11 على النحو التالي:

• الخطوة 1: تثبيت Ultralytics Python package. يمكنك القيام بذلك عن طريق تشغيل الأمر “pip install ultralytics” في وحدة التحكم الخاصة بك. إذا واجهت أي مشاكل في التثبيت، راجع troubleshooting guide للحصول على نصائح وحيل لمساعدتك في حلها.
• الخطوة 2: بعد تثبيت الحزمة بنجاح، أنشئ ملفاً باسم ‘data.yaml’. هذا ملف تكوين ضروري لتدريب النموذج. في ملف data.yaml، قم بتضمين المعلومات التالية: مسار مجموعة بيانات التدريب، ومسار مجموعة بيانات التحقق، وعدد الفئات (nc)، وقائمة بأسماء الفئات (names)، كما هو موضح أدناه.

شكل 10. مثال على ملف data.yaml.

• الخطوة 3: بمجرد تكوين ملف ‘data.yaml’، يمكنك البدء في تدريب نموذجك باستخدام كود Python التالي. يقوم هذا الكود بتحميل نموذج Ultralytics YOLO11 المدرب مسبقاً وتدريبه وفقاً لتكويناتك.

from ultralytics import YOLO

# Load a Ultralytics 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: بمجرد اكتمال التدريب، يجب أن ترى مخرجات مشابهة لتلك الموضحة أدناه. هذا يعني أنك نجحت في تدريب نموذج Ultralytics YOLO11 الخاص بك للتطبيقات القائمة على الطائرات بدون طيار.

شكل 11. المخرجات التي تظهر بعد تدريب النموذج.

تشغيل التنبؤات باستخدام Ultralytics YOLO11 على الطائرات بدون طيار#

يمكن الآن استخدام نموذج Ultralytics YOLO11 المُدرب لإجراء التنبؤات من خلال عملية تسمى inferencing. يتضمن الاستدلال استخدام نموذج لتحليل بيانات جديدة وغير مرئية بناءً على ما تعلمه أثناء التدريب. في هذه الحالة، يمكن استخدام النموذج للعثور على كائنات محددة وتسميتها، مثل المنازل، في الصور أو مقاطع الفيديو عن طريق رسم مربعات محيطة (bbox) حولها.

لتشغيل تنبؤ، يمكنك استخدام نموذج Ultralytics YOLO11 المُدرب على فيديو مدخل باستخدام كود Python التالي. في هذا المثال، سنستخدم نفس فيديو الطائرة بدون طيار الاصطناعي الذي تم استخدامه للتدريب، ولكن يمكنك استخدام أي ملف فيديو آخر إذا تفضل.

# 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 التنبؤات ومربعات الإحاطة.

شكل 12. إطار من ملف الفيديو الناتج.

دمج Ultralytics YOLO11 على الطائرات بدون طيار لتطبيقات مختلفة#

يعد اكتشاف المنازل لتوصيل طرود الطائرات المسيرة مجرد مثال واحد لكيفية تطبيق الرؤية الحاسوبية وUltralytics YOLO11. إليك بعض الاستخدامات الواقعية الأخرى للرؤية الحاسوبية وYOLO11 والطائرات المسيرة الجوية:

• المراقبة والأمن: يمكن استخدام AI drones لمراقبة مساحات واسعة في الوقت الفعلي. يمكنها اكتشاف التطفلات، وتتبع الأنشطة المشبوهة، وتعزيز الأمن على الحدود الوطنية وكذلك الفعاليات العامة الكبرى.

• الاستجابة للكوارث والبحث والإنقاذ: مجهزة بكاميرات حرارية واكتشاف الكائنات، يمكن للطائرات بدون طيار المساعدة في تحديد مواقع الناجين في مناطق الكوارث. يمكنها أيضاً تقييم الأضرار وتسليم إمدادات الطوارئ.

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

• رسم الخرائط والتحليل الجغرافي المكاني: من خلال جمع خرائط ثلاثية الأبعاد عالية الدقة، يمكن للطائرات بدون طيار التي تعمل بالذكاء الاصطناعي المساعدة في التخطيط الحضري ومسوحات الأراضي. فهي توفر تقييمات تضاريس أسرع وأكثر دقة من الطرق التقليدية.

أبرز النقاط#

تعمل الطائرات بدون طيار المدعومة بالذكاء الاصطناعي والرؤية الحاسوبية على تغيير العديد من الصناعات، بدءًا من توصيل الطرود وحتى المساعدة في حالات الطوارئ والزراعة. في هذا الدليل، استعرضنا إنشاء فيديو طائرة بدون طيار اصطناعي، وتسمية الكائنات فيه، وتدريب Ultralytics YOLO11، واستخدامه لاكتشاف المنازل.

إن تطبيق اكتشاف الكائنات على لقطات الطائرات بدون طيار يجعل هذه الطائرات أكثر ذكاءً، مما يسمح لها بالتعرف على الكائنات وتتبعها تلقائياً في الوقت الفعلي. ومع تحسن التكنولوجيا، من المرجح أن تلعب الطائرات بدون طيار المدفوعة بالذكاء الاصطناعي دوراً أكبر في جعل عمليات التوصيل أسرع، وتحسين الأمن، والمساعدة في الاستجابة للكوارث.

انضم إلى our community واستكشف GitHub repository لمعرفة المزيد عن ذكاء الرؤية، وتحقق من our licensing options لبدء مشاريع الرؤية الحاسوبية الخاصة بك. هل أنت مهتم بالابتكارات مثل AI in manufacturing أو computer vision in the automotive الصناعة؟ تفضل بزيارة صفحات الحلول الخاصة بنا لتكتشف المزيد.