21 أكتوبر 2024
تعرف على كيفية استخدام Ultralytics YOLO11 في أنظمة التعرف التلقائي على لوحات الأرقام (ANPR) للكشف في الوقت الفعلي والمساعدة في إدارة حركة المرور ومواقف السيارات.
.webp)
مع تزايد تبني الذكاء الاصطناعي، أصبحت الابتكارات التي تعتمد على التعرف التلقائي على لوحات أرقام المركبات (ANPR) أكثر شيوعًا. تستخدم أنظمة ANPR الرؤية الحاسوبية لقراءة لوحات ترخيص المركبات تلقائيًا وتحديدها وتتبعها. ومؤخرًا، أتاحت التطورات في الذكاء الاصطناعي إمكانية دمج هذه الأنظمة بسرعة في حياتنا اليومية. في الواقع، ربما تكون قد رأيت أنظمة ANPR في أكشاك تحصيل الرسوم أو أثناء عمليات فحص الشرطة للمركبات المسرعة.
أصبح التعرف على لوحات أرقام السيارات ذا أهمية متزايدة، ومن المتوقع أن يصل حجم سوق نظام ANPR العالمي إلى 4.8 مليار دولار بحلول عام 2027. أحد العوامل المساهمة في هذا النمو هو الفوائد التي يوفرها نظام ANPR لتطبيقات مثل إدارة حركة المرور و الأمن.
للحصول على أفضل النتائج من تطبيقات ANPR، من المهم فهم تقنيات الذكاء الاصطناعي الكامنة وراء هذه الحلول. على سبيل المثال، اكتشاف الكائنات، وهو مهمة رؤية حاسوبية، ضروري للتعرف على المركبات وتتبعها بدقة، وهذا هو المكان الذي تظهر فيه نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11. في هذه المقالة، سنلقي نظرة على كيفية عمل ANPR وكيف يمكن لـ YOLO11، على وجه الخصوص، تحسين حلول ANPR.
.png)
يتضمن التعرف التلقائي على أرقام لوحات المركبات بضع خطوات مهمة لتحديد لوحات ترخيص المركبات بسرعة وبدقة. دعنا نحلل كيف تعمل هذه الخطوات معًا لجعل العملية فعالة:
.png)
غالبًا ما تواجه أنظمة ANPR تحديات مثل الإضاءة الضعيفة وتصميمات اللوحات المختلفة و الظروف البيئية الصعبة. يمكن أن يساعد YOLO11 في معالجة هذه المخاوف من خلال تعزيز دقة وسرعة الكشف، حتى في الظروف الصعبة. باستخدام نماذج مثل YOLO11، يمكن أن تعمل ANPR بشكل أكثر موثوقية، مما يجعل من السهل تحديد اللوحات في الوقت الفعلي، سواء كان ذلك ليلاً أو نهارًا، أو في الطقس السيئ. في القسم التالي، سنلقي نظرة فاحصة على كيف يمكنك استخدام YOLO11 لتحقيق هذه التحسينات.
تم عرض Ultralytics YOLO11 لأول مرة في الحدث الهجين السنوي لـ Ultralytics، YOLO Vision 2024 (YV24). كنموذج اكتشاف الكائنات يدعم التطبيقات في الوقت الفعلي، يعد YOLO11 خيارًا رائعًا لتحسين الابتكارات مثل أنظمة ANPR. YOLO11 مناسب أيضًا لتطبيقات Edge AI. يتيح ذلك لحلول ANPR المدمجة مع YOLO11 العمل بفعالية، حتى عندما يكون اتصال الشبكة غير موثوق به. نتيجة لذلك، يمكن لأنظمة ANPR العمل بسلاسة في المواقع النائية أو المناطق ذات الاتصال المحدود.
يجلب YOLO11 أيضًا تحسينات في الكفاءة مقارنةً بالإصدارات السابقة. على سبيل المثال، يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO مع عدد أقل من المعلمات بنسبة 22٪ مقارنةً بـ YOLOv8m. باستخدام YOLO11، يمكن لأنظمة ANPR التعامل مع التحديات المختلفة مثل تغيير ظروف الإضاءة وتصميمات اللوحات المتنوعة والمركبات المتحركة بشكل أفضل، مما يؤدي إلى التعرف على لوحات الترخيص بشكل أكثر موثوقية وفعالية.
إذا كنت تتساءل كيف يمكنك استخدام YOLO11 في مشروع ANPR الخاص بك، فالأمر بسيط للغاية. تنوعات نماذج YOLO11 التي تدعم اكتشاف الكائنات تم تدريبها مسبقًا على مجموعة بيانات COCO. يمكن لهذه النماذج اكتشاف 80 نوعًا مختلفًا من الكائنات، مثل السيارات و الدراجات و الحيوانات. في حين أن لوحات الترخيص ليست جزءًا من الملصقات المدربة مسبقًا، يمكن للمستخدمين بسهولة تدريب YOLO11 المخصص للكشف عن لوحات الترخيص باستخدام حزمة Ultralytics Python أو منصة Ultralytics HUB بدون تعليمات برمجية. يتمتع المستخدمون بالمرونة اللازمة لإنشاء أو استخدام مجموعة بيانات مخصصة للوحات الترخيص لجعل نموذج YOLO11 المدرب خصيصًا مثاليًا لـ ANPR.
بعد ذلك، سنلقي نظرة على التطبيقات المختلفة حيث يمكن استخدام ANPR و YOLO11 معًا لتحسين الكفاءة والدقة.
في المدن الصاخبة التي تتحرك فيها السيارات عبر التقاطعات والطرق السريعة، يتعين على ضباط المرور إدارة الازدحام ومراقبة المخالفات المرورية وضمان السلامة العامة. يمكن أن يحدث ANPR، عند دمجه مع YOLO11، فرقًا كبيرًا في هذه الجهود. من خلال التعرف على لوحات المركبات على الفور، يمكن للسلطات مراقبة تدفق حركة المرور، و إنفاذ قوانين المرور، وتحديد المركبات المتورطة في المخالفات بسرعة. على سبيل المثال، يمكن بسهولة الإبلاغ عن المركبات المسرعة.
بشكل عام، يمكن لـ ANPR مع YOLO11 أتمتة المهام التي تتطلب جهدًا يدويًا. يمكنه اكتشاف المركبات التي تتجاوز الإشارات الحمراء وإدارة عمليات كشك تحصيل الرسوم. لا تجعل أتمتة هذه المهام النظام أكثر كفاءة فحسب، بل تقلل أيضًا من عبء العمل على ضباط المرور، مما يسمح لهم بالتركيز على مسؤوليات أكثر أهمية.
في مجال إنفاذ القانون، يمكن أن يعمل YOLO11 و ANPR معًا لتتبع المركبات المسروقة وتحديد تلك التي تم الإبلاغ عنها بسبب أنشطة مشبوهة. يضمن اكتشاف YOLO11 في الوقت الفعلي التعرف على المركبات بسرعة وموثوقية، حتى عندما تتحرك بسرعة. تساعد هذه الإمكانية في تحسين السلامة العامة من خلال تمكين أوقات استجابة أسرع وإنفاذ قانون أكثر فعالية.
تطبيق آخر مثير لـ ANPR مع YOLO11 هو في أنظمة إدارة مواقف السيارات. على سبيل المثال، فإنه يتيح مواقف للسيارات حيث يمكن للسيارات الدخول والوقوف والمغادرة دون الحاجة إلى تفاعل السائق مع آلة التذاكر أو الموظف. يمكن لأنظمة مواقف ANPR التي تستخدم YOLO11 المساعدة في عمليات الدخول والخروج والدفع السلسة.
عندما تقترب مركبة من بوابة الدخول، يتعرف نظام ANPR المدعوم من YOLO11 على لوحة الترخيص على الفور. ثم يتحقق النظام من اللوحة مع قاعدة بيانات مسجلة مسبقًا أو ينشئ إدخالًا جديدًا. تفتح البوابة تلقائيًا، مما يسمح بدخول السيارة دون أي خطوات يدوية. تعمل العملية السريعة على خلق تجربة أكثر ملاءمة للسائقين.
وبالمثل، عندما تغادر السيارة، يكتشف النظام لوحة الترخيص مرة أخرى باستخدام YOLO11. يقوم بحساب وقت الانتظار ويمكنه معالجة الدفع تلقائيًا إذا كانت السيارة مسجلة بطريقة دفع. تعمل الأتمتة على إزالة الحاجة إلى آلات الدفع المادية وتساعد على تقليل الازدحام عند المخارج، خاصة خلال أوقات الذروة.
تعتبر قدرة YOLO11 على اكتشاف لوحات الترخيص بدقة وفي الوقت الفعلي أمرًا أساسيًا لجعل أنظمة إدارة مواقف السيارات هذه تعمل بسلاسة. بالإضافة إلى جعل مواقف السيارات أكثر ملاءمة، فإنه يساعد المشغلين على إدارة مرافقهم بشكل أفضل عن طريق تقليل العمالة اليدوية وتحسين تدفق حركة المرور.
تعد أنظمة ANPR المدمجة مع YOLO11 خيارًا رائعًا لإدارة الوصول إلى المناطق الآمنة مثل المجتمعات المسورة والمجمعات المؤسسية والمرافق المحظورة. باستخدام ANPR، يمكن لهذه المواقع أتمتة أمانها، والتأكد من السماح فقط للمركبات المصرح لها بالدخول.
إنه مشابه لنظام إدارة مواقف السيارات الذي ناقشناه سابقًا. والفرق الرئيسي هو أن النظام يتحقق من اللوحة مقابل قائمة بالمركبات المصرح بها. إذا تمت الموافقة على السيارة، يفتح الباب تلقائيًا، مما يوفر وصولاً سلسًا للمقيمين أو الموظفين أو الزوار مع الحفاظ على الأمن مشددًا. تقلل هذه العملية من الحاجة إلى الفحوصات اليدوية، مما يسمح لموظفي الأمن بالتركيز على المهام الأكثر أهمية.
الآن بعد أن استعرضنا بعض تطبيقات أنظمة ANPR المدمجة مع YOLO11، دعنا نفكر في هذه التطبيقات بطريقة أكثر ترابطًا.
بالإضافة إلى كونها تطبيقات فردية، تتجلى مزاياها حقًا عندما يُنظر إليها على أنها حل واحد متماسك في البنية التحتية الحضرية للمدن الذكية. مع تطور المدن لتصبح أكثر ذكاءً، تلعب أنظمة ANPR دورًا متزايد الأهمية في البنية التحتية الحضرية.
على سبيل المثال، ضع في اعتبارك مدينة ذكية حيث يتم استخدام ANPR لإدارة حركة المرور ومنح الوصول الآمن وتبسيط مواقف السيارات في وقت واحد. يمكن اكتشاف مركبة عند دخولها المدينة، وتتبعها في جميع الأنحاء، ومنحها الوصول إلى المناطق المحظورة، والسماح لها بالوقوف دون أي تدخل يدوي.
من خلال دمج نماذج الرؤية الحاسوبية مثل YOLO11، يمكن أن يساعد ANPR في إدارة حركة المرور بكفاءة أكبر، وتعزيز الأمن، وتحسين السلامة العامة. تتيح هذه الأنظمة المراقبة في الوقت الفعلي والعمليات الآلية واتخاذ القرارات المستندة إلى البيانات، وهي ضرورية لإدارة التعقيدات المتزايدة للمدن الحديثة.
أصبحت أنظمة ANPR ضرورية للبنية التحتية الحضرية الحديثة، كما أن دمج نماذج رؤية الكمبيوتر مثل YOLO11 يجعلها أكثر فائدة. يعزز YOLO11 أنظمة ANPR بدقة أفضل ومعالجة في الوقت الفعلي وقابلية للتكيف، مما يجعلها مثالية لتطبيقات المدن الذكية. بدءًا من تحسين إدارة حركة المرور وإنفاذ القانون وحتى أتمتة مواقف السيارات والوصول الآمن، توفر أنظمة ANPR التي تعمل بتقنية YOLO11 الكفاءة والموثوقية. مع ازدياد ذكاء المدن، من المحتمل أن تلعب هذه الحلول دورًا حاسمًا في تحويل الحياة الحضرية ودعم مستقبل البنية التحتية الذكية.
لمعرفة المزيد حول الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub الخاص بنا وتفاعل مع مجتمعنا. استكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة في صفحات الحلول الخاصة بنا. 🚀
.webp)