بناء نظام ANPR باستخدام Ultralytics YOLO11 وGPT-4o Mini

قد يكون العثور على موقف في ساحة مزدحمة، أو الانتظار في طوابير طويلة عند أكشاك تحصيل الرسوم، أو التعطل عند نقاط التفتيش الأمنية أمرًا محبطًا. وغالبًا ما تستغرق عمليات فحص المركبات يدويًا وقتًا طويلًا وتتسبب في حدوث تأخيرات. ومن دون نظام آلي، قد يكون تتبّع السيارات بكفاءة أمرًا صعبًا.

لقد غيّرت الرؤية الحاسوبية هذا الوضع من خلال إتاحة التعرّف الآني على لوحات الأرقام من الصور وتدفقات الفيديو. فعلى سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا متقدمًا للرؤية الحاسوبية يمكنه تنفيذ مهام متقدمة في الذكاء الاصطناعي للرؤية، مثل اكتشاف الكائنات وتصنيفها وتتبّعها. وباستخدام قدرات YOLO11 في اكتشاف الكائنات، يمكنك اكتشاف لوحات أرقام المركبات بدقة في الصور.

تقدم Ultralytics دفاتر Google Colab شاملة تبسّط عملية إنشاء حلول مدعومة بالذكاء الاصطناعي للرؤية. وتأتي هذه الدفاتر مهيأة مسبقًا بالتبعيات والنماذج الأساسية والأدلة الإرشادية خطوة بخطوة، مما يجعل إنشاء التطبيقات أسهل. وعلى وجه الخصوص، يتوفر دفتر Colab مخصص لـ ANPR (التعرّف التلقائي على لوحات الأرقام).

في هذه المقالة، سنستكشف، باستخدام دفتر Ultralytics على Colab الخاص بـ ANPR، كيفية إنشاء حل ANPR باستخدام Ultralytics YOLO11 لاكتشاف لوحات الأرقام وGPT-4o Mini للتعرّف على النصوص.

فهم ANPR#

يستغرق تتبّع السيارات يدويًا وقتًا طويلًا ويكون عرضة للأخطاء، لا سيما عند تحركها بسرعة. ويؤدي فحص كل لوحة أرقام على حدة إلى إبطاء العملية وزيادة احتمالية حدوث الأخطاء. وتحل خدمة التعرّف التلقائي على لوحات الأرقام هذه المشكلة باستخدام الرؤية الحاسوبية لاكتشاف لوحات الأرقام وقراءتها فورًا، مما يجعل مراقبة حركة المرور والأمن أكثر كفاءة.

يمكن لأنظمة ANPR التقاط صور أو مقاطع فيديو للمركبات العابرة واستخدام اكتشاف الكائنات في الوقت الفعلي لتحديد لوحات الأرقام. وبعد اكتشافها، يُستخدم التعرّف على النصوص لاستخراج أرقام اللوحات تلقائيًا، من دون الحاجة إلى تدخل بشري. وتضمن هذه العملية نتائج دقيقة حتى عند تحرك المركبات بسرعة أو حجب أجزاء من اللوحات.

الشكل 1. مثال على استخدام Ultralytics YOLO11 لاكتشاف لوحة أرقام.

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

التحديات المتعلقة بتقنية ANPR#

على الرغم من أن ANPR يحدد المركبات بسرعة، فلا تزال هناك بعض التحديات التي قد تؤثر في دقته. فيما يلي بعض المشكلات الشائعة التي قد تؤثر في مدى جودة عمل نظام ANPR:

• الإضاءة المنخفضة والطقس السيئ: تصبح قراءة لوحات الأرقام أكثر صعوبة ليلًا وفي الطقس السيئ. فقد يؤدي الضباب والمطر والوهج الصادر عن المصابيح الأمامية إلى تشويش النص وجعله غير مقروء.
• اللوحات المشوشة أو المحجوبة: قد تترك السيارة سريعة الحركة صورة ضبابية، لا سيما إذا كانت سرعة غالق الكاميرا منخفضة جدًا. كما قد تسبب الأوساخ والخدوش أو تغطية أجزاء من اللوحة مشكلات في التعرّف. ويساعد استخدام كاميرات عالية الجودة مع الإعدادات المناسبة في الحصول على نتائج أوضح.
• التصاميم غير المتسقة للوحات: لا تبدو جميع اللوحات متشابهة. فبعضها يحتوي على خطوط مزخرفة أو نصوص إضافية أو شعارات تربك النظام.
• مخاطر الخصوصية وأمن البيانات: يُعد تخزين بيانات المركبات بأمان أمرًا مهمًا. ويمكن لتدابير الأمان المناسبة منع الوصول غير المصرح به والحفاظ على حماية المعلومات. ومع تطبيق الضمانات المناسبة، يمكن لأنظمة ANPR أن تكون آمنة وموثوقة في آنٍ واحد.

كيف يحسّن Ultralytics YOLO11 أنظمة ANPR#

يمكن لـ Ultralytics YOLO11 جعل أنظمة ANPR أسرع وأكثر دقة. فهو يعالج الصور بسرعة مع الحفاظ على الدقة، ولا يتطلب قدرة حوسبية كبيرة، ولذلك يعمل جيدًا على كل شيء بدءًا من كاميرات المراقبة الصغيرة ووصولًا إلى أنظمة المرور الكبيرة.

من خلال التدريب المخصص، يمكن تكييف Ultralytics YOLO11 مع أنماط لوحات الأرقام واللغات والبيئات المختلفة. كما يحقق أداءً جيدًا في الظروف الصعبة، مثل الإضاءة المنخفضة وضبابية الحركة والزوايا الصعبة، عند تدريبه مخصصًا على مجموعات بيانات متخصصة تتضمن صورًا لهذه الظروف.

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

إنشاء نظام ANPR باستخدام Ultralytics YOLO11 وGPT-4o Mini#

بعد ذلك، سنستعرض كيفية إنشاء نظام ANPR باستخدام Ultralytics YOLO11 وGPT-4o Mini.

سنستكشف التعليمات البرمجية المعروضة في دفتر Ultralytics على Google Colab الخاص بهذا الحل. ويسهل استخدام دفتر Google Colab، ويمكن لأي شخص إنشاء نظام ANPR من دون الحاجة إلى إعداد معقد.

الخطوة 1: إعداد البيئة#

للبدء، سنحتاج إلى تثبيت التبعيات، أي حزم البرامج والمكتبات الأساسية المطلوبة لتشغيل نظام ANPR. وتساعد هذه التبعيات في تنفيذ مهام مثل اكتشاف الكائنات ومعالجة الصور والتعرّف على النصوص، مما يضمن عمل النظام بكفاءة.

سنثبّت حزمة Ultralytics Python كما هو موضح أدناه. وتوفر هذه الحزمة نماذج مدرّبة مسبقًا وأدوات للتدريب والاستدلال، مما يسهّل اكتشاف لوحات الأرقام والتعرّف عليها باستخدام YOLO11.

الشكل 2. تثبيت حزمة Ultralytics Python.

سنحتاج أيضًا إلى إعداد GPT-4o Mini للتعرّف على النصوص. وبما أن GPT-4o Mini مسؤول عن استخراج النص من اللوحات المكتشفة، فنحن بحاجة إلى مفتاح API للوصول إلى النموذج. ويمكن الحصول على هذا المفتاح من خلال التسجيل في API الخاص بـ GPT-4o Mini. وبعد الحصول على المفتاح، يمكن إضافته إلى دفتر Colab حتى يتمكن النظام من الاتصال بالنموذج ومعالجة أرقام اللوحات.

بعد إكمال الإعداد وتشغيل تعليمات التثبيت البرمجية، سيكون Ultralytics YOLO11 جاهزًا لاكتشاف لوحات الأرقام، وسيكون GPT-4o Mini مهيأً للتعرّف على النصوص واستخراجها منها.

الخطوة 2: تنزيل النموذج المدرّب مخصصًا#

بعد أن أصبح كل شيء مهيأً، تتمثل الخطوة التالية في تنزيل نموذج Ultralytics YOLO11 الذي دُرّب مخصصًا لاكتشاف لوحات الأرقام. وبما أن هذا النموذج دُرّب مسبقًا على اكتشاف لوحات الأرقام، فلا حاجة إلى تدريبه من الصفر. ما عليك سوى تنزيله ليصبح جاهزًا للاستخدام. وهذا يوفر الوقت ويجعل العملية أسهل بكثير.

سننزّل أيضًا ملف فيديو نموذجيًا لاختبار النظام. وإذا أردت، يمكنك تشغيل هذا الحل على ملفات الفيديو الخاصة بك أيضًا. وبعد التنزيل، سيُخزّن النموذج وملفات الفيديو في بيئة الدفتر.

الشكل 3. تنزيل النموذج وملف الفيديو.

الخطوة 3: تحميل الفيديو وبدء الاكتشاف#

بعد أن يصبح النموذج جاهزًا، يحين وقت رؤية أدائه عمليًا. أولًا، يُحمّل ملف الفيديو لمعالجته، مع التأكد من فتحه بصورة صحيحة. ثم يُعدّ كاتب فيديو لحفظ اللقطات المعالجة مع لوحات الأرقام المكتشفة، مع الحفاظ على الحجم الأصلي ومعدل الإطارات. وأخيرًا، يُحمّل النموذج لاكتشاف لوحات الأرقام في كل إطار من إطارات الفيديو.

الشكل 4. قراءة الفيديو وتحميل النموذج.

بعد تحميل النموذج، سيبدأ النظام في تحليل كل إطار من إطارات الفيديو لاكتشاف لوحات الأرقام. وعند العثور على لوحة، يبرزها النظام بمربع اكتشاف، مما يسهل تحديدها. وتضمن هذه الخطوة التقاط التفاصيل ذات الصلة فقط، مع تصفية معلومات الخلفية غير الضرورية. وبعد اكتشاف اللوحات بنجاح، يصبح الفيديو جاهزًا للمرحلة التالية.

الخطوة 4: استخراج النص من لوحات الأرقام#

بعد اكتشاف لوحة أرقام، تتمثل الخطوة التالية في التعرّف على النصوص. يقص النظام أولًا اللوحة من إطار الفيديو، ويزيل أي عناصر مشتتة للحصول على رؤية واضحة. ويساعد ذلك في التركيز على التفاصيل، مما يحسّن الدقة حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو ضبابية الحركة.

بعد عزل اللوحة، يحلل GPT-4o Mini الصورة، ويستخرج الأرقام والحروف، ويحوّلها إلى نص قابل للقراءة. ثم يُعاد النص المتعرّف عليه إلى الفيديو، لتوسيم كل لوحة مكتشفة في الوقت الفعلي.

باكتمال هذه الخطوات، يصبح نظام ANPR عاملًا بالكامل وجاهزًا للتعرّف على لوحات الأرقام بسهولة.

الخطوة 5: حفظ الفيديو المعالج#

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

تُكتب كل إطارات الفيديو المعالجة، بما فيها اللوحات المكتشفة والنصوص المتعرّف عليها، في فيديو الإخراج النهائي. وبعد معالجة جميع الإطارات، يغلق النظام ملف الفيديو الذي كان يقرأ منه، مما يحرر الذاكرة وموارد النظام. كما يُنهي حفظ فيديو الإخراج ويحفظه، ليصبح جاهزًا للتشغيل أو لمزيد من التحليل.

الشكل 5. استخدام YOLO11 وGPT-4o Mini في ANPR.

نشر نظام ANPR#

بعد إنشاء حل ANPR واختباره، تتمثل الخطوة التالية في نشره في بيئة واقعية. تعتمد معظم نماذج الذكاء الاصطناعي للرؤية على حوسبة عالية الأداء، لكن Ultralytics YOLO11 محسن لـالذكاء الاصطناعي الطرفي. ويمكنه العمل بكفاءة على الأجهزة الصغيرة من دون الحاجة إلى معالجة سحابية أو اتصال دائم بالإنترنت، مما يجعله خيارًا ممتازًا للمواقع ذات الموارد المحدودة.

فعلى سبيل المثال، يمكن لمجمع سكني مسوّر نشر Ultralytics YOLO11 على جهاز طرفي لتحديد المركبات عند دخولها، مما يلغي الحاجة إلى خوادم كبيرة. وتُعالج كل العمليات في الموقع وفي الوقت الفعلي، بما يضمن سلاسة الدخول وتقليل الازدحام وتعزيز الأمان.

الشكل 6. اكتشاف لوحات الأرقام باستخدام YOLO11.

في المقابل، يمكن لأنظمة ANPR المستندة إلى السحابة في المناطق ذات الاتصال المستقر بالإنترنت التعامل مع عدة كاميرات في آنٍ واحد. فعلى سبيل المثال، يمكنها في مركز تجاري تتبّع المركبات عبر مداخل مختلفة وتخزين أرقام اللوحات في نظام مركزي، مما يسهّل مراقبة مواقف السيارات وتحسين الأمان وإدارة حركة المركبات عن بُعد.

مستقبل ANPR#

يُعد إعداد نظام للتعرّف التلقائي على لوحات الأرقام (ANPR) أمرًا بسيطًا باستخدام Ultralytics YOLO11. فهو يكتشف لوحات الأرقام بدقة، ويمكن تدريبه مخصصًا للتكيف مع البيئات والمتطلبات المختلفة.

تعزز أنظمة ANPR الأمان، وتبسّط إدارة مواقف السيارات، وتحسّن مراقبة حركة المرور. ومن خلال أتمتة التعرّف على لوحات الأرقام، تقلل هذه الأنظمة الأخطاء، وتسرّع عملية تحديد الهوية، وتجعل تتبّع المركبات أكثر كفاءة في مختلف التطبيقات.

انضم إلى مجتمعنا وزُر مستودعنا على GitHub لرؤية الذكاء الاصطناعي أثناء العمل. واستكشف خيارات الترخيص لدينا، وتعرّف على المزيد حول الذكاء الاصطناعي للرؤية في التصنيع والذكاء الاصطناعي في السيارات ذاتية القيادة في صفحات حلولنا.