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 أحدثت Computer vision تغييرًا في هذا المجال من خلال تمكين التعرف على لوحات الأرقام في الوقت الفعلي من الصور تدفقات الفيديو. على سبيل المثال، Ultralytics YOLO11 هو نموذج رؤية حاسوبية متقدم يمكنه تنفيذ مهام الذكاء الاصطناعي البصري المتقدمة مثل اكتشاف الكائنات، والتصنيف، والتتبع. باستخدام قدرات اكتشاف الكائنات في YOLO11، يمكنك اكتشاف لوحات أرقام المركبات بدقة في الصور.

توفر Ultralytics دفاتر ملاحظات Google Colab شاملة تبسط عملية بناء حلول مدعومة بالرؤية الحاسوبية والذكاء الاصطناعي. تأتي دفاتر الملاحظات هذه مهيأة مسبقًا بال تبعيات الأساسية، والنماذج، والأسدّة خطوة بخطوة، مما يجعل إنشاء التطبيقات أكثر سهولة. على وجه الخصوص، يوجد دفتر ملاحظات Colab مخصص لنظام ANPR (التعرف التلقائي 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.

فهم تقنية ANPR#

إن تتبع السيارات يدوياً يعد أمراً مستهلكاً للوقت ومعرضاً للأخطاء، خاصة عندما تكون متحركة بسرعة. إن التحقق من كل لوحة ترخيص واحدة تلو الأخرى يبطئ العملية ويزيد من مخاطر الأخطاء. يحل التعرف التلقائي 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.

Fig 1. مثال على استخدام Ultralytics YOLO11 للكشف عن لوحة ترخيص.

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

التحديات 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.

كيف تحسن أنظمة التعرف التلقائي على أرقام اللحات (ANPR) باستخدام Ultralytics YOLO11#

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.

مع custom training، يمكن تكييف Ultralytics YOLO11 مع أنماط لوحات الترخيص واللغات والبيئات المختلفة. كما أنه يؤدي بشكل جيد في الظروف الصعبة مثل الإضاءة المنخفضة، وضبابية الحركة، والزوايا الصعبة عند التدريب المخصص على datasets المتخصصة التي تتضمن صوراً لهذه الظروف.

من خلال تحديد المركبات فوراً، يساعد Ultralytics YOLO11 في تقليل أوقات الانتظار، ومنع الأخطاء، وتحسين الأمان. هذا يجعل تدفق حركة المرور أكثر سلاسة والعمليات أكثر كفاءة في مواقف السيارات، وأكشاك الرسوم، وأنظمة المراقبة.

بناء نظام ANPR باستخدام Ultralytics YOLO11 و GPT-4o Mini#

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

سنقوم استكشاف الكود المعروض في دفتر ملاحظات Ultralytics Google Colab لهذا الحل. يعتبر 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 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 Python من Ultralytics 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 إتمام الإعداد وتشغيل كود التثبيت، سيكون Ultralytics YOLO11 جاهزاً اكتشاف لوحات الترخيص، وستتم تهيئة GPT-4o Mini للتعرف على النص واستخراجه منها.

الخطوة 2: تنزيل النموذج المدرب مخصصًا#

الآن بعد أن تم إعداد كل شيء، الخطوة التالية هي تنزيل نموذج Ultralytics YOLO11 الذي تم تدريبه مخصصاً لاكتشاف لوحات الترخيص. نظراً لأن هذا النموذج قد تم تدريبه مسبقاً لاكتشاف لوحات الأرقام، فلا داعي لتدريبه من الصفر. يمكنك تنزيله فقط، وسيكون جاهزاً 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.

الخطوة 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.

الخطوة 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 قابل للقراءة. ثم يتم إضافة النص المعترف به مرة أخرى إلى الفيديو، لتسمية كل لوحة مكتشفة في الوقت الفعلي.

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

الخطوة 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.

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

نشر نظام ANPR#

بعد بناء واختبار حل ANPR، الخطوة التالية هي نشر في بيئة واقعية. تعتمد معظم نماذج الذكاء الاصطناعي المرئي على حوسبة عالية الأداء، ولكن Ultralytics YOLO11 مُحسَّن من أجل Edge AI. يمكنه العمل بكفاءة على الأجهزة الصغيرة دون الحاجة إلى معالجة سحابية أو اتصال مستمر بالإنترنت، مما يجعله خيارًا ممتازًا للمواقع ذات الموارد المحدودة.

على سبيل المثال، يمكن لمجتمع مسور نشر Ultralytics YOLO11 على جهاز حافة لتحديد المركبات أثناء دخولها، مما يلغي الحاجة إلى خوادم كبيرة. تتم معالجة كل شيء في الموقع في الوقت الفعلي، مما يضمن وصولاً سلساً، وتقليل الازدحام، وتعزيز الأمان.

Fig 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.

الطريق 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 لرות الذكاء الاصطناعي قيد العمل. استكشف خيارات الترخيص الخاصة بنا واكتشف المزيد حول الرؤية الحاسوبية للذكاء الاصطناعي في التصنيع والذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات الحلول الخاصة بنا.