بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر فوق “قبول جميع ملفات تعريف الارتباط”، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين التنقل في الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. مزيد من المعلومات
يُعد العثور على موقف للسيارات في ساحة مزدحمة، أو الانتظار في طوابير طويلة عند بوابات الرسوم، أو الوقوع في نقاط التفتيش الأمنية أمرًا محبطًا. غالبًا ما تستغرق الفحوصات اليدوية للمركبات وقتًا طويلاً وتتسبب في تأخيرات. بدون نظام آلي، يمكن أن يكون تتبع السيارات بكفاءة أمرًا صعبًا.
لقد غيرت الرؤية الحاسوبية هذا الأمر من خلال تمكين التعرف على لوحات الأرقام في الوقت الحقيقي من الصور وتدفقات الفيديو. على سبيل المثال Ultralytics YOLO11 هو نموذج متقدم للرؤية الحاسوبية يمكنه أداء مهام الذكاء الاصطناعي المتقدمة للرؤية مثل اكتشاف الأجسام وتصنيفها وتتبعها. باستخدام قدرات YOLO11 في اكتشاف الأجسام، يمكنك detect لوحات أرقام المركبات في الصور بدقة.
سنستكشف في هذه المقالة، باستخدام دفتر ملاحظات Ultralytics Colab لـ ANPR، كيفية إنشاء حل ANPR باستخدام Ultralytics YOLO11 لاكتشاف لوحات الأرقام وGPT-4o Mini للتعرّف على النصوص.
فهم ANPR
إن تتبع السيارات يدوياً يستغرق وقتاً طويلاً وعرضة للأخطاء، خاصةً عندما تتحرك بسرعة. يؤدي التحقق من كل لوحة أرقام واحدة تلو الأخرى إلى إبطاء العملية ويزيد من مخاطر الأخطاء. يحل نظام التعرّف التلقائي على لوحات الأرقام هذه المشكلة باستخدام الرؤية الحاسوبية detect لوحات السيارات وقراءتها على الفور، مما يجعل مراقبة حركة المرور والأمن أكثر كفاءة.
يمكن لأنظمة ANPR التقاط صور أو مقاطع فيديو للمركبات المارة واستخدام الكشف عن الكائنات في الوقت الفعلي لتحديد لوحات الأرقام. بمجرد اكتشافها، يتم استخدام التعرف على النصوص لاستخراج أرقام اللوحات تلقائيًا، دون الحاجة إلى تدخل بشري. تضمن هذه العملية نتائج دقيقة، حتى عندما تتحرك المركبات بسرعة، أو تكون اللوحات محجوبة جزئيًا.
الشكل 1. مثال على استخدام YOLO11 detect لوحة ترخيص.
في الوقت الحاضر، تعتمد أكشاك دفع رسوم المرور، وأنظمة وقوف السيارات، وأجهزة إنفاذ القانون بشكل متزايد على نظام الرادار الآلي لتحديد المواقع track المركبات بكفاءة.
التحديات المتعلقة بتقنية ANPR
في حين أن ANPR يحدد المركبات بسرعة، إلا أنه لا تزال هناك بعض التحديات التي يمكن أن تؤثر على دقته. فيما يلي بعض المشكلات الشائعة التي يمكن أن تؤثر على مدى جودة عمل نظام ANPR:
الإضاءة المنخفضة والطقس السيئ: يصبح من الصعب قراءة لوحات الأرقام في الليل وفي الطقس السيئ. يمكن للضباب والمطر وتوهج المصابيح الأمامية أن يشوش النص، مما يجعله غير قابل للقراءة.
لوحات ضبابية أو محجوبة: يمكن أن تترك السيارة سريعة الحركة صورة ضبابية، خاصةً إذا كان سرعة غالق الكاميرا بطيئة جدًا. يمكن أن تتسبب الأوساخ أو الخدوش أو أجزاء من اللوحة التي يتم تغطيتها أيضًا في حدوث مشكلات في التعرف عليها. يساعد استخدام كاميرات عالية الجودة مع الإعدادات الصحيحة في الحصول على نتائج أكثر وضوحًا.
تصميمات لوحات غير متناسقة: لا تبدو جميع اللوحات متشابهة. بعضها يحتوي على خطوط فاخرة أو نصوص إضافية أو شعارات تربك النظام.
مخاطر الخصوصية وأمن البيانات: يعد تخزين بيانات المركبات بأمان أمرًا مهمًا. يمكن لتدابير الأمان الصحيحة منع الوصول غير المصرح به والحفاظ على حماية المعلومات. مع وجود ضمانات مناسبة، يمكن أن تكون أنظمة ANPR آمنة وموثوقة.
كيف يعمل YOLO11 على تحسين أنظمة ANPR
يمكن أن يجعل Ultralytics YOLO11 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 بدءاً من الكاميرات الأمنية الصغيرة وحتى أنظمة المرور الكبيرة.
من خلال التدريب المخصص، يمكن تكييف YOLO11 مع أنماط ولغات وبيئات مختلفة للوحات السيارات. كما أنه يؤدي أداءً جيداً في الظروف الصعبة مثل الإضاءة المنخفضة وضبابية الحركة والزوايا الصعبة عند تدريبه المخصص على مجموعات بيانات متخصصة تتضمن صوراً لهذه الظروف.
من خلال تحديد المركبات على الفور، يساعد YOLO11 على تقليل أوقات الانتظار ومنع الأخطاء وتحسين الأمن. وهذا يجعل التدفق المروري أكثر سلاسة والعمليات أكثر كفاءة في مواقف السيارات وأكشاك دفع الرسوم وأنظمة المراقبة.
بناء نظام ANPR باستخدام YOLO11 و GPT-4o Mini
بعد ذلك، دعنا نستعرض كيفية إنشاء نظام ANPR باستخدام YOLO11 و GPT-4o Mini.
سنقوم باستكشاف الكود المعروض في دفتر ملاحظاتGoogle Collab من Ultralytics لهذا الحل. دفتر ملاحظات Google Colab سهل الاستخدام ويمكن لأي شخص إنشاء نظام ANPR دون الحاجة إلى إعداد معقد.
الخطوة 1: إعداد البيئة
للبدء، سنحتاج إلى تثبيت التبعيات الخاصة بنا، أو حزم وبرامج المكتبات الأساسية المطلوبة لتشغيل نظام ANPR الخاص بنا. تساعد هذه التبعيات في مهام مثل الكشف عن الكائنات ومعالجة الصور والتعرف على النصوص، مما يضمن عمل النظام بكفاءة.
سنقوم بتثبيت حزمةUltralytics Python كما هو موضح أدناه. توفّر هذه الحزمة نماذج مُدرّبة مسبقًا، وأدوات مساعدة للتدريب، وأدوات استنتاج، مما يسهّل detect لوحات الأرقام والتعرّف عليها 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، فنحن بحاجة إلى مفتاح API للوصول إلى النموذج. يمكن الحصول على هذا المفتاح عن طريق الاشتراك في GPT-4o Mini API. بمجرد حصولك على المفتاح، يمكن إضافته إلى دفتر Colab حتى يتمكن النظام من الاتصال بالنموذج ومعالجة أرقام اللوحات.
بعد الانتهاء من الإعداد وتشغيل رمز التثبيت، سيكون YOLO11 جاهزًا detect لوحات الترخيص، وسيتم إعداد GPT-4o Mini للتعرّف على النصوص واستخراجها منها.
الخطوة 2: نزّل النموذج المدرب خصيصًا
والآن بعد أن تم إعداد كل شيء، فإن الخطوة التالية هي تنزيل نموذج YOLO11 الذي تم تدريبه خصيصاً detect لوحات الأرقام. نظرًا لأن هذا النموذج قد تم تدريبه بالفعل على detect لوحات الأرقام، فلا داعي لتدريبه من الصفر. يمكنك فقط تنزيله، وسيكون جاهزاً للاستخدام. وهذا يوفر الوقت ويجعل العملية أسهل بكثير.
أيضًا، سنقوم بتنزيل نموذج لملف فيديو لاختبار النظام. إذا كنت ترغب في ذلك، يمكنك تشغيل هذا الحل على ملفات الفيديو الخاصة بك أيضًا. بمجرد التنزيل، سيتم تخزين النموذج وملفات الفيديو في بيئة دفتر الملاحظات.
الشكل 3. تنزيل النموذج وملف الفيديو.
الخطوة 3: حمّل الفيديو وابدأ الكشف
بمجرد أن يصبح النموذج جاهزًا، حان الوقت لرؤيته أثناء العمل. أولاً، يتم تحميل ملف الفيديو للمعالجة، والتأكد من فتحه بشكل صحيح. ثم يتم إعداد كاتب الفيديو لحفظ اللقطات المعالجة مع لوحات الترخيص المكتشفة مع الحفاظ على الحجم الأصلي ومعدل الإطارات. وأخيراً، يتم تحميل النموذج detect لوحات الترخيص في كل إطار من الفيديو.
الشكل 4. قراءة الفيديو وتحميل النموذج.
بمجرد تحميل النموذج، سيبدأ النظام في تحليل كل إطار من الفيديو detect لوحات السيارات. عندما يتم العثور على لوحة، يسلط النظام الضوء عليها بمربع كشف، مما يسهّل التعرف عليها. تضمن هذه الخطوة التقاط التفاصيل ذات الصلة فقط، مع تصفية المعلومات الخلفية غير الضرورية. بعد اكتشاف اللوحات بنجاح، يصبح الفيديو الآن جاهزاً للمرحلة التالية.
الخطوة 4: استخراج النص من لوحات الأرقام
بعد الكشف عن لوحة الأرقام، الخطوة التالية هي التعرف على النص. يقوم النظام أولاً باقتطاع اللوحة من إطار الفيديو، وإزالة أي عوامل تشتيت للحصول على رؤية واضحة. يساعد هذا في التركيز على التفاصيل، وتحسين 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 قابل للقراءة. ثم تتم إضافة النص الذي تم التعرف عليه مرة أخرى إلى الفيديو، مع تسمية كل لوحة تم اكتشافها في الوقت الفعلي.
باكتمال هذه الخطوات، يصبح نظام ANPR يعمل بكامل طاقته وجاهزًا للتعرف على لوحات الترخيص بسهولة.
الخطوة 5: حفظ الفيديو المعالج
تحفظ الخطوة الأخيرة الفيديو المعالج وتنظف الملفات المؤقتة، مما يضمن سير كل شيء بسلاسة.
تتم 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 يضع اللمسات الأخيرة على فيديو الإخراج ويحفظه، مما يجعله جاهزًا للتشغيل أو لمزيد من التحليل.
بعد إنشاء حل الذكاء الاصطناعي للذكاء الاصطناعي واختباره، فإن الخطوة التالية هي نشره في بيئة واقعية. تعتمد معظم نماذج الذكاء الاصطناعي المرئي على الحوسبة عالية الأداء، ولكن تم تحسين Ultralytics YOLO11 للذكاء الاصطناعي Edge. يمكن تشغيله بكفاءة على الأجهزة الصغيرة دون الحاجة إلى معالجة سحابية أو اتصال دائم بالإنترنت، مما يجعله خياراً رائعاً للمواقع ذات الموارد المحدودة.
على سبيل المثال، يمكن لمجتمع مسوّر نشر YOLO11 على جهاز متطور للتعرف على المركبات عند دخولها، مما يلغي الحاجة إلى خوادم كبيرة. تتم معالجة كل شيء في الموقع في الوقت الفعلي، مما يضمن سلاسة الوصول وتقليل الازدحام وتعزيز الأمن.
وفي الوقت نفسه، في المناطق ذات الاتصال المستقر بالإنترنت، يمكن لنظام ANPR المستند إلى السحابة التعامل مع كاميرات متعددة في وقت واحد. على سبيل المثال، في مراكز التسوق، يمكن لهذه الكاميرات track المركبات عبر مداخل مختلفة وتخزين أرقام اللوحات في نظام مركزي، مما يسهّل مراقبة مواقف السيارات وتحسين الأمن وإدارة تدفق المركبات عن بُعد.
المسار المستقبلي لـ ANPR (التعرف الآلي على لوحات أرقام المركبات)
يُعدّ إعداد نظام التعرف التلقائي على لوحات الأرقام (ANPR) أمرًا بسيطًا مع Ultralytics YOLO11. فهو يكتشف لوحات الأرقام بدقة، ويمكن تدريبه بشكل مخصص للتكيف مع البيئات والمتطلبات المختلفة.
تعزز أنظمة ANPR الأمان وتبسط إدارة مواقف السيارات وتحسن مراقبة حركة المرور. من خلال أتمتة التعرف على لوحات الأرقام، فإنها تقلل الأخطاء وتسريع عملية تحديد الهوية وتجعل تتبع المركبات أكثر كفاءة عبر مختلف التطبيقات.
