تعرف على كيفية إنشاء نظام ANPR باستخدام Ultralytics YOLO11 للكشف عن لوحات الأرقام و GPT-4o Mini للتعرف على النصوص بدقة في الوقت الفعلي.
استعدوا لـ YOLO Vision 2025!
25 سبتمبر، 2025
10:00 — 18:00 بتوقيت بريطانيا الصيفي
حدث هجين
تعرف على كيفية إنشاء نظام ANPR باستخدام Ultralytics YOLO11 للكشف عن لوحات الأرقام و GPT-4o Mini للتعرف على النصوص بدقة في الوقت الفعلي.
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 رؤية الحاسوب ذلك من خلال تمكين التعرف على لوحات أرقام السيارات في الوقت الفعلي من الصور وتدفقات الفيديو. على سبيل المثال، Ultralytics YOLO11 هو نموذج رؤية حاسوب متقدم يمكنه أداء مهام رؤية الذكاء الاصطناعي المتقدمة مثل الكشف عن الكائنات وتصنيفها وتتبعها. باستخدام قدرات الكشف عن الكائنات في YOLO11، يمكنك اكتشاف لوحات أرقام المركبات بدقة في الصور.
تقدم Ultralytics دفاتر Google Colab شاملة تعمل على تبسيط عملية بناء حلول مدعومة بالذكاء الاصطناعي البصري. تأتي هذه الدفاتر مُجهزة مسبقًا بالتبعيات والنماذج الأساسية والأدلة التفصيلية، مما يجعل إنشاء التطبيقات أسهل. على وجه الخصوص، هناك دفتر Colab مخصص لـ ANPR (التعرف التلقائي على لوحات أرقام المركبات).
في هذه المقالة، باستخدام دفتر Ultralytics Colab لـ ANPR، سنستكشف كيفية إنشاء حل ANPR باستخدام Ultralytics YOLO11 لاكتشاف لوحات الأرقام و GPT-4o Mini للتعرف على النصوص.
يستغرق تتبع السيارات يدويًا وقتًا طويلاً وعرضة للأخطاء، خاصةً عندما تتحرك بسرعة. يؤدي فحص كل لوحة ترخيص واحدة تلو الأخرى إلى إبطاء العملية وزيادة خطر الأخطاء. التعرف التلقائي على لوحة الأرقام يحل هذه المشكلة باستخدام رؤية الكمبيوتر 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 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.
في الوقت الحاضر، تعتمد أكشاك تحصيل الرسوم وأنظمة مواقف السيارات وإنفاذ القانون بشكل متزايد على ANPR لتتبع المركبات بكفاءة.
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:
يمكن لـ Ultralytics YOLO11 أن تجعل أنظمة ANPR أسرع وأكثر دقة. تعالج الصور بسرعة مع الحفاظ على الدقة ولا تتطلب قوة حوسبة كبيرة، لذلك فهي تعمل بشكل جيد على كل شيء بدءًا من كاميرات المراقبة الصغيرة وحتى أنظمة المرور الكبيرة.
من خلال التدريب المخصص، يمكن تكييف YOLO11 مع أنماط ولوحات وترخيصات ولغات وبيئات مختلفة. كما أنه يعمل بشكل جيد في الظروف الصعبة مثل الإضاءة المنخفضة، والتشويش الحركي، والزوايا الصعبة عند تدريبه بشكل مخصص على مجموعات بيانات متخصصة تتضمن صورًا لهذه الظروف.
من خلال التعرف على المركبات على الفور، يساعد YOLO11 في تقليل أوقات الانتظار ومنع الأخطاء وتحسين الأمان. وهذا يجعل حركة المرور أكثر سلاسة والعمليات أكثر كفاءة في مواقف السيارات وأكشاك الرسوم وأنظمة المراقبة.
بعد ذلك، لنجرب كيفية إنشاء نظام ANPR باستخدام YOLO11 و GPT-4o Mini.
سوف نستكشف التعليمات البرمجية المعروضة في دفتر Ultralytics Google Collab لهذه الحلول. يعتبر دفتر Google Colab سهل الاستخدام ويمكن لأي شخص إنشاء نظام ANPR دون الحاجة إلى إعداد معقد.
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 حزمة Ultralytics Python كما هو موضح أدناه. توفر هذه الحزمة نماذج مدربة مسبقًا وأدوات تدريب وأدوات استدلال، مما يسهل اكتشاف لوحات الأرقام والتعرف عليها باستخدام YOLO11.
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 إكمال الإعداد وتشغيل كود التثبيت، سيكون YOLO11 جاهزًا لاكتشاف لوحات الترخيص، وسيتم إعداد GPT-4o Mini للتعرف على النص واستخراجه منها.
الآن بعد إعداد كل شيء، فإن الخطوة التالية هي تنزيل نموذج YOLO11 الذي تم تدريبه خصيصًا للكشف عن لوحات ترخيص المركبات. نظرًا لأنه قد تم تدريب هذا النموذج بالفعل على اكتشاف لوحات الأرقام، فليست هناك حاجة لتدريبه من البداية. يمكنك فقط تنزيله، وهو جاهز للاستخدام. هذا 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.
بمجرد أن يصبح النموذج جاهزًا، حان الوقت لرؤيته أثناء العمل. أولاً، يتم تحميل ملف الفيديو للمعالجة، مما يضمن فتحه بشكل صحيح. ثم يتم إعداد كاتب فيديو لحفظ اللقطات التي تمت معالجتها مع لوحات الترخيص المكتشفة مع الحفاظ على الحجم الأصلي ومعدل الإطارات. أخيرًا، يتم تحميل النموذج لاكتشاف لوحات الترخيص في كل إطار من الفيديو.
بمجرد تحميل النموذج، سيبدأ النظام في تحليل كل إطار من الفيديو لاكتشاف لوحات الترخيص. عند العثور على لوحة، يقوم النظام بتمييزها بمربع اكتشاف، مما يسهل تحديدها. تضمن هذه الخطوة التقاط التفاصيل ذات الصلة فقط، وتصفية معلومات الخلفية غير الضرورية. مع اكتشاف اللوحات بنجاح، يصبح الفيديو الآن جاهزًا للمرحلة التالية.
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.
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 بناء واختبار حل ANPR، فإن الخطوة التالية هي نشره في بيئة واقعية. تعتمد معظم نماذج رؤية الذكاء الاصطناعي على الحوسبة عالية الأداء، ولكن Ultralytics YOLO11 مُحسَّن لـ Edge AI. يمكن تشغيله بكفاءة على الأجهزة الصغيرة دون الحاجة إلى معالجة سحابية أو اتصال دائم بالإنترنت، مما يجعله خيارًا رائعًا للمواقع ذات الموارد المحدودة.
على سبيل المثال، يمكن لمجمع سكني مسور نشر YOLO11 على جهاز طرفي لتحديد المركبات عند دخولها، مما يلغي الحاجة إلى خوادم كبيرة. تتم معالجة كل شيء في الموقع في الوقت الفعلي، مما يضمن الوصول السلس وتقليل الازدحام وتعزيز الأمان.
في غضون ذلك، في المناطق ذات الاتصال المستقر بالإنترنت، يمكن لنظام ANPR المستند إلى السحابة التعامل مع كاميرات متعددة في وقت واحد. على سبيل المثال، في مركز التسوق، يمكنه تتبع المركبات عبر مداخل مختلفة وتخزين أرقام اللوحات في نظام مركزي، مما يسهل مراقبة مواقف السيارات وتحسين الأمن وإدارة تدفق المركبات عن بُعد.
يعد إعداد نظام التعرف التلقائي على لوحة الأرقام (ANPR) أمرًا بسيطًا باستخدام Ultralytics YOLOv8. فهو يكتشف لوحات الأرقام بدقة ويمكن تدريبه خصيصًا 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.
انضموا إلى مجتمعنا وقوموا بزيارة مستودع GitHub الخاص بنا لمشاهدة الذكاء الاصطناعي وهو يعمل. استكشفوا خيارات الترخيص الخاصة بنا واكتشفوا المزيد حول Vision AI في التصنيع و الذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات الحلول الخاصة بنا.
