Ultralytics YOLOv8 لأنظمة إدارة مواقف السيارات الأكثر ذكاءً

قد يكون التجول بالسيارة في دوائر بحثًا عن موقف للسيارات أمرًا مرهقًا، لا سيما عندما تكون متأخرًا. وقد تكون الطريقة التقليدية للبحث عن مكان لركن السيارة مملة وتستغرق وقتًا طويلًا. ومع ذلك، يمكن لنظام إدارة مواقف السيارات المدعوم بالذكاء الاصطناعي (AI) والرؤية الحاسوبية أن يجعل الأمور أبسط. كما يمكنه جعل توافر مواقف السيارات أكثر قابلية للتنبؤ وتقليل الازدحام المروري.

في هذه المقالة، سنتعلم كيفية ترقية أنظمة إدارة مواقف السيارات باستخدام الذكاء الاصطناعي والرؤية الحاسوبية. وسنستعرض أيضًا مثالًا برمجيًا خطوة بخطوة يوضح كيفية استخدام نموذج Ultralytics YOLOv8 لإنشاء نظام لإدارة مواقف السيارات مزود بإمكانات الرؤية الحاسوبية. فلنبدأ مباشرةً!

مشكلات إدارة مواقف السيارات التقليدية#

قبل مناقشة أنظمة إدارة مواقف السيارات الذكية المحسّنة بالذكاء الاصطناعي، دعونا نلقِ نظرة على مشكلات أنظمة إدارة مواقف السيارات التقليدية.

تتمثل إحدى المشكلات الرئيسية في الأنظمة التقليدية في اكتظاظ مواقف السيارات؛ إذ يوجد عدد من السيارات في مواقف السيارات يفوق عدد الأماكن المتاحة. وإلى جانب إهدار الوقت في البحث عن مكان، يؤدي الاكتظاظ إلى زيادة استهلاك الوقود وتلوث الهواء. ومن المشكلات الأخرى توتر السائقين. ووفقًا لأحد الاستطلاعات، يقضي نحو 27% من الأشخاص 30 دقيقة على الأقل في البحث عن مواقف للسيارات. كما أقرّ 43% من الأشخاص بأنهم دخلوا في مشادات كلامية مع غرباء بسبب مواقف السيارات.

الشكل 1. سائق متوتر. مصدر الصورة: Envato Elements.

الذكاء الاصطناعي يجعل إدارة مواقف السيارات أسهل#

تهدف مواقف السيارات المدمجة مع الذكاء الاصطناعي إلى حل المشكلات التي تواجهها أنظمة إدارة مواقف السيارات التقليدية. ويمكن لنماذج الرؤية الحاسوبية، مثل نموذج Ultralytics YOLOv8، والكاميرات عالية الدقة مراقبة مواقف السيارات والحصول على تحديثات آنية حول الأماكن المتاحة والمشغولة.

كيف يعمل ذلك؟ يمكن لنموذج الرؤية الحاسوبية تحليل اللقطات الواردة من الكاميرات عالية الدقة لاكتشاف المركبات وتتبع حركتها وتحديد مواقف السيارات المتاحة. ويدعم نموذج Ultralytics YOLOv8 مهام الرؤية الحاسوبية مثل اكتشاف الكائنات وتتبع الكائنات، ويمكنه تحديد المركبات وتصنيفها بدقة ضمن بث فيديو. ومن خلال مقارنة المواقع المكتشفة للمركبات مع مواقف السيارات المحددة مسبقًا، يستطيع النظام تحديد ما إذا كان موقف السيارات مشغولًا أم لا.

الشكل 2. YOLOv8 يكتشف مواقف السيارات.

يمكن دمج معلومات توافر مواقف السيارات المستخلصة من النظام القائم على الرؤية وتوسيع نطاق استخدامها في تطبيقات مختلفة:

• تطبيقات الأجهزة المحمولة: يمكن لتطبيقات الأجهزة المحمولة عرض مدى توافر مواقف السيارات في الوقت الفعلي، ومساعدة السائقين في العثور على الأماكن المتاحة بسرعة وسهولة.
• اللافتات الرقمية: يمكن للافتات الرقمية عند مداخل مواقف السيارات عرض عدد الأماكن المتاحة وتوجيه السائقين إلى أقرب مكان شاغر.
• أنظمة مواقف السيارات المؤتمتة: يمكن استخدام البيانات للتحكم في الحواجز والبوابات المؤتمتة، بحيث لا يُسمح بالدخول إلا عند توافر الأماكن، مع توجيه السائقين إلى أقرب مكان شاغر.

مزايا نظام إدارة مواقف السيارات#

يمكن أن توفر الرؤى المتعلقة بتوافر مواقف السيارات مزايا عديدة. تساعد التحديثات الآنية السائقين في التوجه مباشرةً إلى الأماكن الشاغرة، مما يجعل حركة المرور أكثر سلاسة ويقلل التوتر الناتج عن البحث عن موقف. وبالنسبة إلى المشغلين، فإن فهم كيفية استخدام الأماكن يعني قدرتهم على إدارة الموقف بصورة أفضل، وتحسين الأمان من خلال المراقبة الآنية، والاستجابة سريعًا لأي حوادث.

تؤدي أتمتة وظائف مواقف السيارات إلى خفض التكاليف من خلال تقليل الحاجة إلى العمالة اليدوية. وتسهل أنظمة الذكاء الاصطناعي حجز مواقف السيارات عبر تطبيقات الأجهزة المحمولة أو الويب، مما يتيح للسائقين تلقي إشعارات حول التوافر ويوفر الوقت والمال. ويمكن لمخططي المدن استخدام هذه البيانات لتصميم مخططات طرق أفضل، وتطبيق لوائح فعالة لمواقف السيارات، وتطوير مرافق جديدة لمواقف السيارات تجعل المدن أكثر كفاءة وأسهل في التنقل.

الشكل 3. حجز أماكن وقوف السيارات عبر تطبيق للأجهزة المحمولة.

جرّبه بنفسك: إدارة مواقف السيارات باستخدام YOLOv8#

بعد أن أصبح لدينا فهم واضح لإدارة مواقف السيارات ومزاياها، دعونا نتعمق في كيفية إنشاء نظام لإدارة مواقف السيارات قائم على الرؤية. سنستخدم نموذج YOLOv8 لاكتشاف المركبات ومراقبة مواقف السيارات وتحديد حالة إشغالها.

في هذا المثال، يمكنك استخدام فيديو أو بث كاميرا لموقف سيارات. يُرجى ملاحظة أن الحد الأقصى لحجم الصورة المدعوم في هذا المثال هو 1920 * 1080. قبل أن نبدأ، تذكّر أن هذا النظام يعتمد على اكتشاف دقيق للمركبات وعلى إحداثيات محددة مسبقًا لمواقف السيارات.

يمكن أن تؤثر معايرة الكاميرا والعوامل البيئية في دقة اكتشاف الأماكن وحالة إشغالها. وقد تختلف سرعة المعالجة ودقتها أيضًا بناءً على أداء وحدة GPU لديك.

الخطوة 1: لنبدأ بتثبيت حزمة Ultralytics. افتح موجه الأوامر أو الطرفية ونفّذ الأمر التالي.

pip install ultralytics

راجِع دليل تثبيت Ultralytics للاطلاع على التعليمات التفصيلية وأفضل الممارسات المتعلقة بعملية التثبيت. وإذا واجهت أي مشكلات أثناء تثبيت الحزم المطلوبة لـ YOLOv8، فإن دليل المشكلات الشائعة لدينا يقدم حلولًا ونصائح مفيدة.

الخطوة 2: نحتاج إلى تحديد مواقف السيارات مسبقًا حتى نتمكن من تحديد المناطق محل الاهتمام في لقطاتك. شغّل هذا الرمز لفتح واجهة المستخدم وتحديد مواقف السيارات مسبقًا.

from ultralytics import solutions

solutions.ParkingPtsSelection()

كما هو موضح أدناه، ستُفتح واجهة مستخدم عند تشغيل هذا الرمز. التقط إطارًا أو لقطة شاشة من فيديو الإدخال الخاص بموقف السيارات وارفعها. وبعد رسم مربعات الإحاطة حول مواقف السيارات، انقر على خيار الحفظ. ستُحفظ معلومات مواقف السيارات التي حددتها في ملف JSON باسم ‘bounding_boxes.json.’

الشكل 4. تحديد مواقف السيارات في لقطاتك.

الخطوة 3: يمكننا الآن الانتقال إلى الرمز الرئيسي لإدارة مواقف السيارات. ابدأ باستيراد جميع المكتبات المطلوبة وتهيئة ملف JSON الذي أنشأناه في الخطوة 2.

import cv2
from ultralytics import solutions

polygon_json_path = "bounding_boxes.json"

الخطوة 4: أنشئ كائن VideoCapture لقراءة ملف فيديو الإدخال، وتأكد من فتح ملف الفيديو بنجاح.

cap = cv2.VideoCapture("Path/to/video/file.mp4")
assert cap.isOpened(), "Error reading video file"

الخطوة 5: هيّئ جميع خصائص الفيديو المطلوبة، مثل العرض والارتفاع وعدد الإطارات في الثانية.

w, h, fps = (int(cap.get(x)) for x in (cv2.CAP_PROP_FRAME_WIDTH, cv2.CAP_PROP_FRAME_HEIGHT, cv2.CAP_PROP_FPS))

الخطوة 6: بعد ذلك، يمكننا إنشاء كائن VideoWriter لحفظ ملف الفيديو النهائي المُعالَج.

video_writer = cv2.VideoWriter("parking management.avi", cv2.VideoWriter_fourcc(*"mp4v"), fps, (w, h))

الخطوة 7: نهيّئ هنا نظام إدارة مواقف السيارات باستخدام نموذج Ultralytics YOLOv8 لاكتشاف مواقف السيارات.

management = solutions.ParkingManagement(model_path="yolov8n.pt")

الخطوة 8: نستعرض الآن ملف الفيديو إطارًا تلو الآخر لمعالجته. وإذا لم تتم قراءة أي إطارات، فستنقطع الحلقة.

while cap.isOpened():
    ret, im0 = cap.read()
    if not ret:
        break

الخطوة 9: داخل الحلقة، سنستخرج مناطق مواقف السيارات المحددة مسبقًا من ملف JSON، ونتتبع الكائنات في الإطار باستخدام نموذج YOLOv8.

json_data = management.parking_regions_extraction(polygon_json_path)
results = management.model.track(im0, persist=True, show=False)

الخطوة 10: يعالج هذا الجزء من الحلقة نتائج التتبع، ويحصل على إحداثيات مربعات الإحاطة وتسميات فئات الكائنات المكتشفة.

if results[0].boxes.id is not None:
    boxes = results[0].boxes.xyxy.cpu().tolist()
    clss = results[0].boxes.cls.cpu().tolist()
    management.process_data(json_data, im0, boxes, clss)

الخطوة 11: يتضمن الجزء الأخير من الحلقة عرض الإطار الحالي مع التعليقات التوضيحية وكتابة الإطار المُعالَج في ملف فيديو الإخراج “parking management.avi.”

management.display_frames(im0)
video_writer.write(im0)

الخطوة 12: أخيرًا، يمكننا تحرير كائني VideoCapture وVideoWriter وإتلاف أي نوافذ.

cap.release()
video_writer.release()
cv2.destroyAllWindows()

الخطوة 13: احفظ البرنامج النصي. وإذا كنت تعمل من الطرفية أو موجه الأوامر، فشغّل البرنامج النصي باستخدام الأمر التالي:

python your_script_name.py

لا تتردد في الاطلاع على مستندات Ultralytics الرسمية إذا كنت ترغب في معرفة المزيد عن الرمز.

تحديات نظام إدارة مواقف السيارات المؤتمت#

توفر أنظمة مواقف السيارات الذكية مزايا عديدة للسائقين والشركات على حد سواء. ومع ذلك، فإنها تطرح أيضًا بعض التحديات التي ينبغي أخذها في الاعتبار قبل تنفيذ هذه الحلول. دعونا نلقِ نظرة على بعض منها.

• مخاوف الخصوصية: تجمع هذه الأنظمة معلومات مثل طراز سيارة الفرد وموديلها، ورقم لوحة الترخيص، ووقت الدخول والخروج، وغير ذلك.
• ارتفاع تكلفة التثبيت: قد تكون تكلفة تثبيت المستشعرات والكاميرات وآلات إصدار التذاكر المؤتمتة وبرامج الذكاء الاصطناعي مرتفعة.
• متطلبات الصيانة: يعتمد تواتر الصيانة على نظام الذكاء الاصطناعي، لكن معظم الأنظمة تتطلب صيانة شهرية.

مستقبل أنظمة مواقف السيارات الذكية#

ستتمحور الإدارة المبتكرة لمواقف السيارات في المستقبل حول استخدام تقنيات متطورة مثل الذكاء الاصطناعي والسيارات ذاتية القيادة والواقع الافتراضي لتحسين تجربة ركن السيارات ككل ودعم الاستدامة. وعند دمجها مع هذه الأنظمة، ستتمكن السيارات ذاتية القيادة من التنقل إلى مواقع مواقف السيارات وركن نفسها دون تدخل بشري. كما تساعد هذه الأنظمة الشركات في شَغل المزيد من مواقف السيارات والإعلان عن خدماتها عبر تطبيقات ومواقع إلكترونية متعددة. وتقلل أيضًا من كمية انبعاثات الكربون الناتجة عن تجول السائقين بحثًا عن موقف للسيارات.

التخلص من متاعب ركن السيارات#

يمكن لنماذج الذكاء الاصطناعي، مثل Ultralytics YOLOv8، والرؤية الحاسوبية أن تُحدث تحولًا في موقف السيارات لديك. فهي تقلل بدرجة كبيرة من التجول بحثًا عن الأماكن، مما يوفر وقتك ويخفض الانبعاثات. وتعالج أنظمة إدارة مواقف السيارات الذكية هذه المشكلات الشائعة مثل الازدحام والركن غير القانوني وإحباط السائقين. ورغم وجود استثمار أولي، فإن الفوائد طويلة الأجل كبيرة. ويُعد الاستثمار في مواقف السيارات الذكية أمرًا أساسيًا لإنشاء مدن مستدامة وتجربة ركن سيارات أكثر سلاسة للجميع.

هل ترغب في معرفة المزيد عن الذكاء الاصطناعي؟ تواصل مع مجتمعنا! واستكشف مستودعنا على GitHub لمعرفة المزيد عن كيفية استخدامنا للذكاء الاصطناعي لإنشاء حلول مبتكرة في قطاعات متنوعة مثل الرعاية الصحية والزراعة. تعاون وابتكر وتعلّم معنا! 🚀