بناء نظام ANPR باستخدام Ultralytics YOLO11 وGPT-4o Mini

إن العثور على موقف للسيارات في ساحة مزدحمة، أو الانتظار في طوابير طويلة عند أكشاك الرسوم، أو التعطل عند نقاط التفتيش الأمنية هو أمر محبط. وغالبًا ما تستغرق عمليات فحص المركبات اليدوية وقتًا طويلاً وتسبب التأخير. وبدون وجود نظام آلي، قد يكون تتبع السيارات بكفاءة أمرًا صعبًا.

لقد أحدث الرؤية الحاسوبية تغييرًا في هذا المجال من خلال تمكين التعرف على لوحات الأرقام في الوقت الفعلي من الصور ومقاطع الفيديو. على سبيل المثال، يعد Ultralytics YOLO11 نموذج رؤية حاسوبية متقدمًا يمكنه تنفيذ مهام ذكاء اصطناعي مرئي معقدة مثل اكتشاف الأشياء، والتصنيف، والتتبع. وباستخدام قدرات اكتشاف الأشياء في YOLO11، يمكنك اكتشاف لوحات أرقام المركبات في الصور بدقة.

تقدم Ultralytics دفاتر ملاحظات Google Colab شاملة تبسط عملية بناء حلول مدعومة بالذكاء الاصطناعي المرئي. تأتي هذه الدفاتر مهيأة مسبقًا مع التبعيات الأساسية والنماذج وأدلة خطوة بخطوة، مما يجعل إنشاء التطبيقات أسهل. وعلى وجه الخصوص، يوجد دفتر Colab مخصص لـ ANPR (التعرف الآلي على لوحات الأرقام).

في هذه المقالة، وباستخدام دفتر Ultralytics Colab الخاص بـ ANPR، سنستكشف كيفية بناء حل ANPR باستخدام Ultralytics YOLO11 لاكتشاف لوحات الأرقام و GPT-4o Mini للتعرف على النصوص.

Link to this sectionفهم تقنية ANPR#

يعد تتبع السيارات يدويًا أمرًا مستهلكًا للوقت وعرضة للأخطاء، خاصة عندما تكون متحركة بسرعة. إن فحص كل لوحة ترخيص على حدة يبطئ العملية ويزيد من خطر الوقوع في أخطاء. يحل التعرف الآلي على لوحات الأرقام هذه المشكلة باستخدام الرؤية الحاسوبية لاكتشاف وقراءة لوحات الترخيص على الفور، مما يجعل مراقبة حركة المرور والأمن أكثر كفاءة.

يمكن لأنظمة ANPR التقاط صور أو مقاطع فيديو للمركبات المارة واستخدام اكتشاف الأشياء في الوقت الفعلي لتحديد لوحات الأرقام. بمجرد اكتشافها، يُستخدم التعرف على النصوص لاستخراج أرقام اللوحات تلقائيًا، دون الحاجة إلى تدخل بشري. تضمن هذه العملية نتائج دقيقة، حتى عندما تكون المركبات متحركة بسرعة أو عندما تكون اللوحات محجوبة جزئيًا.

الشكل 1. مثال على استخدام YOLO11 لاكتشاف لوحة ترخيص.

في الوقت الحاضر، تعتمد أكشاك الرسوم وأنظمة مواقف السيارات وجهات إنفاذ القانون بشكل متزايد على ANPR لتتبع المركبات بكفاءة.

Link to this sectionالتحديات المتعلقة بتقنية ANPR#

بينما تحدد ANPR المركبات بسرعة، لا تزال هناك بعض التحديات التي يمكن أن تؤثر على دقتها. فيما يلي بعض المشكلات الشائعة التي قد تؤثر على مدى كفاءة عمل نظام ANPR:

• الإضاءة المنخفضة وسوء الأحوال الجوية: تصبح لوحات الأرقام أكثر صعوبة في القراءة ليلًا وفي الطقس السيئ. يمكن للضباب والمطر ووهج المصابيح الأمامية أن يجعل النص غير واضح وغير قابل للقراءة.
• اللوحات الضبابية أو المحجوبة: يمكن أن تترك السيارة سريعة الحركة صورة ضبابية، خاصة إذا كانت سرعة غالق الكاميرا بطيئة للغاية. الأوساخ أو الخدوش أو تغطية أجزاء من اللوحة يمكن أن تسبب أيضًا مشاكل في التعرف. يساعد استخدام كاميرات عالية الجودة بالإعدادات الصحيحة في الحصول على نتائج أكثر وضوحًا.
• تصميمات اللوحات غير المتسقة: لا تبدو كل اللوحات متشابهة. فبعضها يحتوي على خطوط فنية أو نصوص إضافية أو شعارات قد تربك النظام.
• مخاطر الخصوصية وأمن البيانات: يعتبر تخزين بيانات المركبات بأمان أمرًا مهمًا. يمكن لتدابير الأمن الصحيحة منع الوصول غير المصرح به والحفاظ على حماية المعلومات. مع وجود ضمانات مناسبة، يمكن أن تكون أنظمة ANPR آمنة وموثوقة في نفس الوقت.

Link to this sectionكيف يعمل YOLO11 على تحسين أنظمة ANPR#

يمكن لـ Ultralytics YOLO11 جعل أنظمة ANPR أسرع وأكثر دقة. فهو يعالج الصور بسرعة مع الحفاظ على الدقة، ولا يتطلب قوة حوسبة كبيرة، لذا فهو يعمل بشكل جيد على كل شيء بدءًا من كاميرات المراقبة الصغيرة وصولًا إلى أنظمة المرور الكبيرة.

من خلال التدريب المخصص، يمكن تكييف YOLO11 مع أنماط لوحات الترخيص واللغات والبيئات المختلفة. كما أنه يعمل بشكل جيد في الظروف الصعبة مثل الإضاءة المنخفضة، وضبابية الحركة، والزوايا الصعبة عند تدريبه خصيصًا على مجموعات بيانات متخصصة تتضمن صورًا لهذه الظروف.

من خلال تحديد المركبات على الفور، يساعد YOLO11 في تقليل أوقات الانتظار، ومنع الأخطاء، وتعزيز الأمن. وهذا يجعل تدفق حركة المرور أكثر سلاسة والعمليات أكثر كفاءة في مواقف السيارات، وأكشاك الرسوم، وأنظمة المراقبة.

Link to this sectionبناء نظام ANPR باستخدام YOLO11 و GPT-4o Mini#

بعد ذلك، دعنا نستعرض كيفية بناء نظام ANPR باستخدام YOLO11 و GPT-4o Mini.

سوف نستكشف الكود الموضح في دفتر Ultralytics Google Colab لهذا الحل. يعتبر دفتر Google Colab سهل الاستخدام ويمكن لأي شخص إنشاء نظام ANPR دون الحاجة إلى إعدادات معقدة.

Link to this sectionالخطوة 1: إعداد البيئة#

للبدء، سنحتاج إلى تثبيت تبعياتنا، أو حزم البرامج والمكتبات الأساسية المطلوبة لتشغيل نظام ANPR الخاص بنا. تساعد هذه التبعيات في مهام مثل اكتشاف الأشياء، ومعالجة الصور، والتعرف على النصوص، مما يضمن عمل النظام بكفاءة.

سنقوم بتثبيت حزمة Ultralytics Python كما هو موضح أدناه. توفر هذه الحزمة نماذج مدربة مسبقًا، وأدوات تدريب، وأدوات استدلال، مما يسهل اكتشاف والتعرف على لوحات الأرقام باستخدام YOLO11.

الشكل 2. تثبيت حزمة Ultralytics Python.

سنحتاج أيضًا إلى إعداد GPT-4o Mini للتعرف على النصوص. نظرًا لأن GPT-4o Mini مسؤول عن استخراج النص من اللوحات المكتشفة، نحتاج إلى مفتاح API للوصول إلى النموذج. يمكن الحصول على هذا المفتاح عن طريق التسجيل في GPT-4o Mini API. بمجرد الحصول على المفتاح، يمكن إضافته إلى دفتر Colab حتى يتمكن النظام من الاتصال بالنموذج ومعالجة أرقام اللوحات.

بعد إكمال الإعداد وتشغيل كود التثبيت، سيكون YOLO11 جاهزًا لاكتشاف لوحات الترخيص، وسيكون GPT-4o Mini جاهزًا للتعرف على النص منها واستخراجه.

Link to this sectionالخطوة 2: تنزيل النموذج المدرب مخصصًا#

الآن بعد أن أصبح كل شيء جاهزًا، الخطوة التالية هي تنزيل نموذج YOLO11 الذي تم تدريبه مخصصًا لاكتشاف لوحات الترخيص. نظرًا لأن هذا النموذج قد تم تدريبه بالفعل على اكتشاف لوحات الأرقام، فلا داعي لتدريبه من الصفر. يمكنك فقط تنزيله، وسيكون جاهزًا للاستخدام. هذا يوفر الوقت ويجعل العملية أسهل بكثير.

أيضًا، سنقوم بتنزيل ملف فيديو تجريبي لاختبار النظام. إذا كنت ترغب، يمكنك تشغيل هذا الحل على ملفات الفيديو الخاصة بك أيضًا. بمجرد التنزيل، سيتم تخزين ملفات النموذج والفيديو في بيئة دفتر الملاحظات.

الشكل 3. تنزيل النموذج وملف الفيديو.

Link to this sectionالخطوة 3: تحميل الفيديو وبدء الاكتشاف#

بمجرد أن يصبح النموذج جاهزًا، حان الوقت لرؤيته قيد العمل. أولاً، يتم تحميل ملف الفيديو للمعالجة، مع التأكد من فتحه بشكل صحيح. ثم يتم إعداد كاتب فيديو لحفظ اللقطات المعالجة مع لوحات الترخيص المكتشفة مع الحفاظ على الحجم ومعدل الإطارات الأصلي. أخيرًا، يتم تحميل النموذج لاكتشاف لوحات الترخيص في كل إطار من الفيديو.

الشكل 4. قراءة الفيديو وتحميل النموذج.

بمجرد تحميل النموذج، سيبدأ النظام في تحليل كل إطار من الفيديو لاكتشاف لوحات الترخيص. عند العثور على لوحة، يقوم النظام بتمييزها بصندوق اكتشاف، مما يسهل تحديدها. تضمن هذه الخطوة التقاط التفاصيل ذات الصلة فقط، وتصفية معلومات الخلفية غير الضرورية. مع اكتشاف اللوحات بنجاح، أصبح الفيديو الآن جاهزًا للمرحلة التالية.

Link to this sectionالخطوة 4: استخراج النص من لوحات الأرقام#

بعد اكتشاف لوحة الأرقام، تكون الخطوة التالية هي التعرف على النص. يقوم النظام أولاً بقص اللوحة من إطار الفيديو، مما يزيل أي مشتتات للحصول على رؤية واضحة. يساعد هذا في التركيز على التفاصيل، مما يحسن الدقة حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو ضبابية الحركة.

بمجرد عزل اللوحة، يقوم GPT-4o Mini بتحليل الصورة، واستخراج الأرقام والحروف، وتحويلها إلى نص مقروء. ثم تتم إضافة النص المعترف به مرة أخرى إلى الفيديو، مع وضع تسمية لكل لوحة مكتشفة في الوقت الفعلي.

مع اكتمال هذه الخطوات، يعمل نظام ANPR بكامل طاقته وجاهز للتعرف على لوحات الترخيص بسهولة.

Link to this sectionالخطوة 5: حفظ الفيديو المعالج#

تحفظ الخطوة الأخيرة الفيديو المعالج وتنظف الملفات المؤقتة، مما يضمن سير كل شيء بسلاسة.

يتم كتابة كل إطار معالج، مع اللوحات المكتشفة والنص المعترف به، في فيديو الإخراج النهائي. بمجرد معالجة جميع الإطارات، يغلق النظام ملف الفيديو الذي كان يقرأ منه، مما يحرر الذاكرة وموارد النظام. كما أنه ينهي ويحفظ فيديو الإخراج، مما يجعله جاهزًا للتشغيل أو لمزيد من التحليل.

الشكل 5. استخدام YOLO11 و GPT-4o Mini لـ ANPR.

Link to this sectionنشر نظام ANPR#

بعد بناء واختبار حل ANPR، فإن الخطوة التالية هي نشره في بيئة واقعية. تعتمد معظم نماذج الذكاء الاصطناعي المرئي على حوسبة عالية الأداء، ولكن Ultralytics YOLO11 تم تحسينه لـ Edge AI. يمكنه العمل بكفاءة على الأجهزة الصغيرة دون الحاجة إلى معالجة سحابية أو اتصال ثابت بالإنترنت، مما يجعله خيارًا رائعًا للمواقع ذات الموارد المحدودة.

على سبيل المثال، يمكن لمجمع سكني مسور نشر YOLO11 على جهاز طرفي لتحديد المركبات أثناء دخولها، مما يلغي الحاجة إلى خوادم كبيرة. تتم معالجة كل شيء في الموقع في الوقت الفعلي، مما يضمن وصولًا سلسًا، وتقليل الازدحام، وتعزيز الأمن.

الشكل 6. اكتشاف لوحات الترخيص باستخدام YOLO11.

في الوقت نفسه، في المناطق التي تتمتع باتصال مستقر بالإنترنت، يمكن لـ ANPR المستند إلى السحابة التعامل مع كاميرات متعددة في وقت واحد. على سبيل المثال، في مركز تجاري، يمكنه تتبع المركبات عبر مداخل مختلفة وتخزين أرقام اللوحات في نظام مركزي، مما يسهل مراقبة مواقف السيارات، وتحسين الأمن، وإدارة تدفق المركبات عن بُعد.

Link to this sectionالطريق المستقبلي لـ ANPR#

إعداد نظام التعرف الآلي على لوحات الأرقام (ANPR) بسيط مع Ultralytics YOLO11. فهو يكتشف لوحات الأرقام بدقة ويمكن تدريبه مخصصًا للتكيف مع البيئات والمتطلبات المختلفة.

تعمل أنظمة ANPR على تعزيز الأمن، وتبسيط إدارة مواقف السيارات، وتحسين مراقبة حركة المرور. ومن خلال أتمتة التعرف على لوحات الأرقام، فإنها تقلل الأخطاء، وتسرع عملية تحديد الهوية، وتجعل تتبع المركبات أكثر كفاءة عبر مختلف التطبيقات.

انضم إلى مجتمعنا وقم بزيارة مستودع GitHub الخاص بنا لرؤية الذكاء الاصطناعي في العمل. استكشف خيارات الترخيص لدينا واكتشف المزيد حول الذكاء الاصطناعي المرئي في التصنيع و الذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات الحلول الخاصة بنا.