أنشئ نظام ANPR باستخدام Ultralytics YOLO11 وGPT-4o Mini

إن العثور على مكان لوقوف السيارة في موقف مزدحم، أو الانتظار في طوابير طويلة عند بوابات تحصيل الرسوم، أو التوقف عند نقاط التفتيش الأمنية أمر محبط. وغالبًا ما تستغرق عمليات فحص المركبات يدويًا وقتًا طويلًا وتتسبب في التأخير. ومن دون نظام آلي، قد يكون تتبع السيارات بكفاءة أمرًا صعبًا.

غيّرت الرؤية الحاسوبية هذا المجال، إذ أتاحت التعرف على لوحات أرقام المركبات في الوقت الفعلي من الصور وتدفقات الفيديو. فعلى سبيل المثال، يُعد Ultralytics YOLO11 نموذجًا للرؤية الحاسوبية يدعم مهام الذكاء الاصطناعي للرؤية، مثل اكتشاف الأجسام وتصنيفها وتعقبها. وباستخدام قدرات YOLO11 في اكتشاف الأجسام، يمكنك اكتشاف لوحات أرقام المركبات في الصور بدقة.

تقدم Ultralytics دفاتر Google Colab شاملة تبسّط عملية إنشاء حلول مدعومة بالذكاء الاصطناعي للرؤية. تأتي هذه الدفاتر مجهزة مسبقًا بالتبعيات الأساسية والنماذج والأدلة الإرشادية خطوة بخطوة، مما يسهّل إنشاء التطبيقات. وعلى وجه الخصوص، يتوفر دفتر Colab مخصص للتعرف التلقائي على لوحات المركبات (ANPR).

في هذا المقال، سنستكشف كيفية إنشاء حل للتعرف التلقائي على لوحات المركبات باستخدام دفتر Ultralytics Colab المخصص لذلك، بالاستعانة بـ Ultralytics YOLO11 لاكتشاف اللوحات وGPT-4o Mini للتعرف على النص.

فهم التعرف التلقائي على لوحات المركبات (ANPR)#

يستغرق تتبع السيارات يدويًا وقتًا طويلًا ويكون عرضة للأخطاء، لا سيما عندما تتحرك بسرعة. إذ يؤدي فحص كل لوحة ترخيص على حدة إلى إبطاء العملية وزيادة احتمال وقوع الأخطاء. ويعالج التعرف التلقائي على لوحات المركبات هذه المشكلة باستخدام الرؤية الحاسوبية لاكتشاف لوحات الترخيص وقراءتها على الفور، مما يزيد كفاءة مراقبة حركة المرور والأمن.

تستطيع أنظمة ANPR التقاط صور أو مقاطع فيديو للمركبات العابرة واستخدام اكتشاف الأجسام في الوقت الفعلي للتعرف على لوحات الأرقام. وبعد اكتشاف اللوحات، يُستخدم التعرف على النصوص لاستخراج أرقامها تلقائيًا من دون تدخل بشري. وتساعد هذه العملية على الحفاظ على دقة النتائج حتى عندما تتحرك المركبات بسرعة أو تكون اللوحات محجوبة جزئيًا.

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

تعتمد اليوم بوابات تحصيل الرسوم وأنظمة مواقف السيارات وجهات إنفاذ القانون اعتمادًا متزايدًا على التعرف التلقائي على لوحات المركبات لتتبع المركبات بكفاءة.

التحديات المتعلقة بتقنية التعرف التلقائي على لوحات المركبات#

على الرغم من قدرة التعرف التلقائي على لوحات المركبات على تحديد المركبات بسرعة، لا تزال هناك بعض التحديات التي قد تؤثر في دقته. إليك بعض المشكلات الشائعة التي قد تؤثر في مدى كفاءة عمل هذا النظام:

• الإضاءة المنخفضة وسوء الأحوال الجوية: يصعب قراءة لوحات المركبات ليلًا وفي الطقس السيئ. وقد يؤدي الضباب والمطر والوهج الصادر عن المصابيح الأمامية إلى تشويش النص وجعله غير مقروء.
• اللوحات المشوشة أو المحجوبة: قد تترك السيارة السريعة صورة مشوشة، لا سيما إذا كانت سرعة غالق الكاميرا بطيئة جدًا. كما قد تسبب الأوساخ أو الخدوش أو تغطية أجزاء من اللوحة مشكلات في التعرف عليها. ويساعد استخدام كاميرات عالية الجودة وضبط إعداداتها على الحصول على نتائج أوضح.
• اختلاف تصميمات اللوحات: لا تبدو جميع اللوحات متماثلة؛ فبعضها يتضمن خطوطًا مزخرفة أو نصًا إضافيًا أو شعارات تربك النظام.
• مخاطر الخصوصية وأمن البيانات: من المهم تخزين بيانات المركبات بأمان. ويمكن للتدابير الأمنية المناسبة منع الوصول غير المصرح به وحماية المعلومات. ومع وجود الضمانات الملائمة، يمكن أن تكون أنظمة التعرف التلقائي على لوحات المركبات آمنة وموثوقة.

كيف يحسّن Ultralytics YOLO11 أنظمة التعرف التلقائي على لوحات المركبات#

يمكن أن يجعل Ultralytics YOLO11 أنظمة التعرف التلقائي على لوحات المركبات أسرع وأكثر دقة. فهو يعالج الصور بسرعة مع الحفاظ على الدقة، ولا يتطلب قدرة حاسوبية كبيرة، لذا يعمل بكفاءة على مختلف الأجهزة، من كاميرات المراقبة الصغيرة إلى أنظمة المرور الكبيرة.

يمكن تكييف Ultralytics YOLO11 مع أنماط لوحات الأرقام واللغات والبيئات المختلفة من خلال التدريب المخصص. وتُعد مجموعات البيانات العامة، مثل لوحات أرقام السيارات على Ultralytics Platform، نقطة انطلاق جيدة. كما يحقق النموذج أداءً جيدًا في الظروف الصعبة، مثل الإضاءة المنخفضة وضبابية الحركة والزوايا الصعبة، عند تدريبه تدريبًا مخصصًا على مجموعات بيانات متخصصة تتضمن صورًا لهذه الظروف.

يساعد Ultralytics YOLO11 على تقليل أوقات الانتظار ومنع الأخطاء وتحسين الأمن من خلال تحديد المركبات على الفور. وهذا يجعل حركة المرور أكثر سلاسة والعمليات أكثر كفاءة في مواقف السيارات وبوابات تحصيل الرسوم وأنظمة المراقبة.

إنشاء نظام للتعرف التلقائي على لوحات المركبات باستخدام Ultralytics YOLO11 وGPT-4o Mini#

بعد ذلك، سنستعرض كيفية إنشاء نظام للتعرف التلقائي على لوحات المركبات باستخدام Ultralytics YOLO11 وGPT-4o Mini.

سنستكشف الشيفرة الموضحة في دفتر Google Colab من Ultralytics المخصص لهذا الحل. دفتر Google Colab سهل الاستخدام، ويمكن لأي شخص إنشاء نظام للتعرف التلقائي على لوحات المركبات من دون الحاجة إلى إعداد معقد.

الخطوة 1: إعداد البيئة#

للبدء، علينا تثبيت التبعيات، أي حزم البرامج والمكتبات الأساسية اللازمة لتشغيل نظام التعرف التلقائي على لوحات المركبات. تساعد هذه التبعيات في مهام مثل اكتشاف الأجسام ومعالجة الصور والتعرف على النص، مما يضمن كفاءة عمل النظام.

سنثبّت حزمة Ultralytics Python كما هو موضح أدناه. توفر هذه الحزمة نماذج مُدرَّبة مسبقًا وأدوات مساعدة للتدريب وأدوات للاستدلال، مما يسهّل اكتشاف لوحات المركبات والتعرف عليها باستخدام YOLO11.

الشكل 2. تثبيت حزمة Ultralytics Python.

سنحتاج أيضًا إلى إعداد GPT-4o Mini للتعرف على النصوص. وبما أن GPT-4o Mini مسؤول عن استخراج النص من اللوحات المكتشفة، نحتاج إلى مفتاح API للوصول إلى النموذج. ويمكن الحصول على هذا المفتاح بالتسجيل في OpenAI API. وبعد الحصول عليه، يمكن إضافته إلى دفتر ملاحظات Colab حتى يتمكن النظام من الاتصال بالنموذج ومعالجة أرقام اللوحات.

بعد إكمال الإعداد وتشغيل شيفرة التثبيت، سيكون Ultralytics YOLO11 جاهزًا لاكتشاف لوحات الترخيص، وسيكون GPT-4o Mini مُعدًا للتعرف على النصوص واستخراجها منها.

الخطوة 2: تنزيل النموذج المدرَّب تدريبًا مخصصًا#

بعد إعداد كل شيء، تتمثل الخطوة التالية في تنزيل نموذج Ultralytics YOLO11 المدرَّب تدريبًا مخصصًا لاكتشاف لوحات الترخيص. وبما أن هذا النموذج دُرِّب مسبقًا على اكتشاف لوحات المركبات، فلا حاجة إلى تدريبه من البداية. يمكنك تنزيله مباشرةً ليصبح جاهزًا للاستخدام. وهذا يوفر الوقت ويجعل العملية أسهل بكثير.

سننزّل أيضًا ملف فيديو نموذجيًا لاختبار النظام. ويمكنك، إذا رغبت، تشغيل هذا الحل على ملفات الفيديو الخاصة بك أيضًا. بعد التنزيل، سيُخزَّن النموذج وملفات الفيديو في بيئة الدفتر.

الشكل 3. تنزيل النموذج وملف الفيديو.

الخطوة 3: تحميل الفيديو وبدء الاكتشاف#

بعد تجهيز النموذج، حان وقت اختباره عمليًا. أولًا، يُحمّل ملف الفيديو للمعالجة مع التأكد من فتحه على نحو صحيح. ثم يُعد كاتب فيديو لحفظ اللقطات المعالجة التي تتضمن لوحات الترخيص المكتشفة، مع الحفاظ على الحجم الأصلي ومعدل الإطارات. وأخيرًا، يُحمّل النموذج لاكتشاف لوحات الترخيص في كل إطار من الفيديو.

الشكل 4. قراءة الفيديو وتحميل النموذج.

بعد تحميل النموذج، سيبدأ النظام بتحليل كل إطار من الفيديو لاكتشاف لوحات الأرقام. وعند العثور على لوحة، يحددها النظام بمربع إحاطة، ما يسهل التعرف عليها. وتضمن هذه الخطوة التقاط التفاصيل ذات الصلة فقط، مع استبعاد معلومات الخلفية غير الضرورية. وبعد اكتشاف اللوحات بنجاح، يصبح الفيديو جاهزًا للمرحلة التالية.

الخطوة 4: استخراج النص من لوحات السيارات#

بعد اكتشاف لوحة الأرقام، تأتي خطوة التعرف على النص، والمعروفة أيضًا باسم التعرّف البصري على الأحرف (OCR). يقص النظام اللوحة أولًا من إطار الفيديو، مستبعدًا أي عناصر مشتتة للحصول على رؤية واضحة. ويساعد ذلك على التركيز على التفاصيل وتحسين 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 مقروء. ثم يُضاف النص الذي جرى التعرف عليه إلى الفيديو، لتوسيم كل لوحة مكتشفة في الوقت الفعلي.

باكتمال هذه الخطوات، يصبح نظام ANPR جاهزًا للعمل والتعرّف على لوحات السيارات بسهولة.

الخطوة 5: حفظ الفيديو المعالج#

تحفظ الخطوة الأخيرة الفيديو المعالج وتنظف الملفات المؤقتة، لضمان سير العمل بسلاسة.

يُكتب كل إطار معالج، بما يتضمنه من لوحات مكتشفة ونصوص تم التعرّف عليها، في فيديو الإخراج النهائي. وبعد معالجة جميع الإطارات، يغلق النظام ملف الفيديو الذي كان يقرأ منه، محررًا الذاكرة وموارد النظام. كما ينهي حفظ فيديو الإخراج، ليصبح جاهزًا للتشغيل أو لمزيد من التحليل.

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

نشر نظام ANPR#

بعد بناء حل ANPR واختباره، تأتي الخطوة التالية وهي نشره في بيئة واقعية. وتعتمد نماذج كثيرة من نماذج الذكاء الاصطناعي للرؤية على حوسبة عالية الأداء، لكن Ultralytics YOLO11 مُحسّن لـالذكاء الاصطناعي الطرفي. ويمكنه العمل بكفاءة على أجهزة صغيرة من دون الحاجة إلى معالجة سحابية أو اتصال دائم بالإنترنت، ما يجعله خيارًا رائعًا للمواقع محدودة الموارد.

على سبيل المثال، يمكن لمجمع سكني مسوّر نشر Ultralytics YOLO11 على جهاز طرفي للتعرّف على المركبات عند دخولها، مما يلغي الحاجة إلى خوادم كبيرة. وتتم معالجة كل شيء في الموقع وفي الوقت الفعلي، بما يضمن انسيابية الدخول وتقليل الازدحام وتعزيز الأمن.

الشكل 6. اكتشاف لوحات السيارات باستخدام YOLO11.

وفي المقابل، يمكن لأنظمة ANPR السحابية، في المناطق التي يتوفر فيها اتصال مستقر بالإنترنت، التعامل مع عدة كاميرات في الوقت نفسه. فعلى سبيل المثال، يمكنها في مركز تسوق تتبّع المركبات عبر مداخل مختلفة وتخزين أرقام اللوحات في نظام مركزي، مما يسهّل مراقبة مواقف السيارات وتعزيز الأمن وإدارة حركة المركبات عن بُعد.

آفاق أنظمة ANPR#

إن إعداد نظام التعرّف التلقائي على لوحات السيارات (ANPR) سهل باستخدام Ultralytics YOLO11. إذ يكتشف لوحات السيارات بدقة، ويمكن تدريبه خصيصًا ليتكيف مع البيئات والمتطلبات المختلفة.

تعزز أنظمة ANPR الأمن، وتبسّط إدارة مواقف السيارات، وتحسّن مراقبة حركة المرور. ومن خلال أتمتة التعرّف على لوحات السيارات، تقلل هذه الأنظمة الأخطاء، وتسرّع عملية التعرّف، وتجعل تتبّع المركبات أكثر كفاءة في تطبيقات متنوعة.

انضم إلى مجتمعنا وزُر مستودعنا على GitHub لمشاهدة الذكاء الاصطناعي أثناء العمل. استكشف خيارات الترخيص لدينا وتعرّف على المزيد عن الذكاء الاصطناعي للرؤية في التصنيع والذكاء الاصطناعي في السيارات ذاتية القيادة في صفحات الحلول لدينا.