استخدام Ultralytics YOLO11 للتعرف الآلي على لوحات المركبات

مع تزايد اعتماد الذكاء الاصطناعي، يزداد شيوع الابتكارات المعتمدة على التعرّف الآلي على لوحات أرقام المركبات (ANPR). تستخدم أنظمة ANPR الرؤية الحاسوبية لقراءة لوحات ترخيص المركبات تلقائيًا، والتعرّف على المركبات وتتبعها. وقد أتاحت التطورات الحديثة في الذكاء الاصطناعي دمج هذه الأنظمة بسرعة في حياتنا اليومية. في الواقع، ربما رأيت أنظمة ANPR عند بوابات تحصيل الرسوم أو أثناء عمليات الشرطة لضبط المركبات المسرعة.

تزداد أهمية التعرّف على لوحات المركبات، ومن المتوقع أن تصل قيمة السوق العالمية لأنظمة ANPR إلى 4.8 مليارات دولار بحلول عام 2027. ومن عوامل هذا النمو الفوائد التي توفرها ANPR لتطبيقات مثل إدارة حركة المرور والأمن.

لتحقيق أفضل النتائج في تطبيقات ANPR، من المهم فهم تقنيات الذكاء الاصطناعي الكامنة وراء هذه الحلول. فعلى سبيل المثال، يُعد اكتشاف الكائنات، وهو إحدى مهام الرؤية الحاسوبية، ضروريًا للتعرف على المركبات بدقة وتتبعها، وهنا يأتي دور نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11. في هذا المقال، سنتناول آلية عمل ANPR وكيف يمكن لـ YOLO11 على وجه الخصوص تحسين حلول ANPR.

الشكل 1. استخدام نماذج Ultralytics YOLO في ANPR.

كيفية عمل التعرّف التلقائي على لوحات المركبات#

يتضمن التعرّف التلقائي على لوحات المركبات خطوات مهمة قليلة لتحديد لوحات المركبات بسرعة ودقة. دعونا نشرح كيف تتضافر هذه الخطوات لجعل العملية فعالة:

• التقاط الصور: تُستخدم الكاميرات أولًا لالتقاط صور المركبات. ويمكن تركيب هذه الكاميرات في مواقع ثابتة، مثل أكشاك تحصيل الرسوم، أو تثبيتها على مركبات الشرطة لتوفير إمكانية التنقل.
• اكتشاف لوحة المركبة: بعد ذلك، تُستخدم نماذج اكتشاف الكائنات مثل YOLO11 للعثور على لوحة المركبة في الصورة.
• التعرّف الضوئي على الحروف (OCR): يُستخدم بعد ذلك OCR لقراءة الأحرف الموجودة على اللوحة (في الصورة) وتحويلها إلى نص مقروء آليًا.
• البحث في قاعدة البيانات: تُطابَق البيانات النصية بعد ذلك مع قاعدة بيانات للتأكد من معلومات اللوحة.

الشكل 2. مثال على استخدام نماذج Ultralytics YOLO لاكتشاف لوحات المركبات.

غالبًا ما تواجه أنظمة ANPR تحديات مثل الإضاءة الضعيفة وتصاميم اللوحات المختلفة والظروف البيئية القاسية. ويمكن لـ YOLO11 المساعدة في معالجة هذه التحديات من خلال تعزيز دقة الكشف وسرعته، حتى في الظروف الصعبة. وباستخدام نماذج مثل YOLO11، يمكن لأنظمة ANPR العمل بموثوقية أكبر، ما يسهل تحديد اللوحات في الوقت الفعلي، سواء ليلًا أو نهارًا أو في الطقس السيئ. وفي القسم التالي، سنلقي نظرة أقرب على كيفية استخدام YOLO11 لتحقيق هذه التحسينات.

كيف يمكن لـ YOLO11 تحسين نظام ANPR#

عُرض Ultralytics YOLO11 للمرة الأولى في الحدث السنوي الهجين لـ Ultralytics، YOLO Vision 2024 (YV24). وبصفته نموذجًا لاكتشاف الكائنات يدعم التطبيقات في الوقت الفعلي، يُعد YOLO11 خيارًا رائعًا لتحسين ابتكارات مثل أنظمة ANPR. كما يناسب YOLO11 تطبيقات الذكاء الاصطناعي الطرفي. ويتيح ذلك لحلول ANPR المدمجة مع YOLO11 العمل بفاعلية حتى عندما يكون اتصال الشبكة غير موثوق. ونتيجة لذلك، تستطيع أنظمة ANPR مواصلة العمل في المواقع النائية أو المناطق ذات الاتصال المحدود.

يوفر YOLO11 أيضًا تحسينات في الكفاءة مقارنة بالإصدارات السابقة. فعلى سبيل المثال، يحقق YOLO11m متوسط دقة أعلى (mAP) على مجموعة بيانات COCO باستخدام عدد أقل من المعلمات بنسبة 22% مقارنة بـ YOLOv8m. وباستخدام YOLO11، تستطيع أنظمة ANPR التعامل بشكل أفضل مع تحديات مختلفة، مثل تغير ظروف الإضاءة وتنوع تصميمات اللوحات وحركة المركبات، ما يؤدي إلى تعرّف أكثر موثوقية وفعالية على لوحات المركبات.

الشكل 3. مقارنة Ultralytics YOLO11 بالإصدارات السابقة.

إذا كنت تتساءل عن كيفية استخدام YOLO11 في مشروع ANPR، فالأمر بسيط للغاية. لقد دُرّبت مسبقًا على مجموعة بيانات COCO إصدارات نماذج YOLO11 التي تدعم اكتشاف الكائنات. ويمكن لهذه النماذج اكتشاف 80 نوعًا مختلفًا من الكائنات، مثل السيارات والدراجات والحيوانات. وعلى الرغم من أن لوحات المركبات ليست ضمن التسميات المدرّبة مسبقًا، يمكن للمستخدمين بسهولة تدريب YOLO11 مخصصًا لاكتشاف لوحات المركبات باستخدام حزمة Ultralytics Python أو Ultralytics Platform التي لا تتطلب كتابة تعليمات برمجية (المعروفة سابقًا باسم Ultralytics HUB). ويمكن للمستخدمين إنشاء مجموعة بيانات خاصة بهم أو البدء بمجموعة عامة، مثل مجموعة بيانات لوحات المركبات، لجعل نموذج YOLO11 المخصص ملائمًا تمامًا لـ ANPR.

تطبيقات نظام ANPR المدمج مع YOLO11#

بعد ذلك، سنستعرض التطبيقات المتنوعة التي يمكن فيها استخدام ANPR وYOLO11 معًا لتحسين الكفاءة والدقة.

اكتشاف لوحات المركبات آنيًا لإدارة المرور وإنفاذ القانون#

في المدن المزدحمة التي تعبر فيها السيارات التقاطعات والطرق السريعة، يتعين على مسؤولي المرور إدارة الازدحام ومراقبة المخالفات وضمان السلامة العامة. ويمكن لأنظمة ANPR، عند دمجها مع YOLO11، أن تُحدث فرقًا كبيرًا في هذه الجهود. فمن خلال التعرف الفوري على لوحات المركبات، تستطيع السلطات مراقبة حركة المرور وتطبيق قوانين المرور وتحديد المركبات المتورطة في المخالفات بسرعة. فعلى سبيل المثال، يمكن بسهولة رصد المركبات المسرعة.

الشكل 4. اكتشاف المركبات المسرعة وتحديدها باستخدام ANPR وYOLO11.

بوجه عام، يمكن لـ ANPR مع YOLO11 أتمتة مهام تتطلب عادةً جهدًا يدويًا. إذ يمكنه اكتشاف المركبات التي تتجاوز الإشارة الحمراء وإدارة عمليات أكشاك تحصيل الرسوم. ولا تقتصر فائدة أتمتة هذه المهام على زيادة كفاءة النظام، بل تخفف أيضًا عبء العمل عن ضباط المرور، ما يتيح لهم التركيز على مسؤوليات أكثر أهمية.

في مجال إنفاذ القانون، يمكن أن يعمل YOLO11 وANPR معًا لتتبع المركبات المسروقة وتحديد المركبات المعلّمة بسبب أنشطة مشبوهة. ويضمن الكشف الفوري في YOLO11 التعرف على المركبات بسرعة وموثوقية، حتى عند تحركها بسرعة. وتساعد هذه الإمكانية على تعزيز السلامة العامة من خلال تسريع الاستجابة وزيادة فاعلية إنفاذ القانون.

أنظمة إدارة مواقف السيارات المتقدمة وANPR#

من التطبيقات الأخرى المثيرة للاهتمام لـ ANPR مع YOLO11 استخدامها في أنظمة إدارة مواقف السيارات. فهي تتيح، على سبيل المثال، تشغيل مواقف تدخل إليها السيارات وتتوقف فيها ثم تغادر من دون حاجة السائق إلى التعامل مع آلة إصدار التذاكر أو موظف. ويمكن أن تساعد أنظمة مواقف السيارات المعتمدة على ANPR والمستخدمة لـ YOLO11 على تسهيل عمليات الدخول والخروج والدفع.

الشكل 5. إدارة مواقف السيارات باستخدام نماذج Ultralytics YOLO.

عندما تقترب مركبة من بوابة الدخول، يتعرف ANPR المدعوم بـ YOLO11 على لوحة المركبة فورًا. ثم يطابق النظام اللوحة مع قاعدة بيانات مسجلة مسبقًا أو ينشئ سجلًا جديدًا. وتُفتح البوابة تلقائيًا، فتدخل المركبة من دون أي خطوات يدوية. وتوفر هذه العملية الأسرع تجربة أكثر ملاءمة للسائقين.

وبالمثل، عندما تغادر المركبة، يكتشف النظام لوحة المركبة مجددًا باستخدام YOLO11. ويحسب مدة ركن المركبة، ويمكنه معالجة الدفع تلقائيًا إذا كانت المركبة مسجلة بوسيلة دفع. وتلغي الأتمتة الحاجة إلى أجهزة الدفع المادية وتساعد على تقليل الازدحام عند المخارج، لا سيما في أوقات الذروة.

تُعد قدرة YOLO11 على اكتشاف لوحات المركبات بدقة وفي الوقت الفعلي أساسية لضمان عمل أنظمة إدارة مواقف السيارات بسلاسة. وإلى جانب جعل ركن السيارات أكثر سهولة، تساعد هذه القدرة المشغّلين على إدارة مرافقهم بكفاءة أكبر من خلال تقليل العمل اليدوي وتحسين انسيابية حركة المرور.

استخدام ANPR للتحكم في الدخول ضمن الأنظمة الأمنية#

تُعد أنظمة التعرّف الآلي على لوحات المركبات (ANPR) المدمجة مع YOLO11 خيارًا ممتازًا لإدارة الوصول إلى المناطق الآمنة، مثل المجمعات السكنية المغلقة، والمجمّعات المؤسسية، والمنشآت المقيّدة الدخول. وباستخدام ANPR، يمكن لهذه المواقع أتمتة إجراءاتها الأمنية وضمان السماح بدخول المركبات المصرّح لها فقط.

الشكل 6. استخدام ANPR للسماح بدخول المركبات المصرح بها إلى المناطق الآمنة.

يشبه هذا نظام إدارة مواقف السيارات الذي ناقشناه سابقًا. ويتمثل الاختلاف الأساسي في أن النظام يتحقق من مطابقة اللوحة لقائمة المركبات المصرّح لها. فإذا كانت المركبة معتمدة، تُفتح البوابة تلقائيًا، ما يتيح دخول السكان أو الموظفين أو الزوار بسرعة مع الحفاظ على مستوى عالٍ من الأمان. وتقلل هذه العملية الحاجة إلى عمليات التحقق اليدوية، ما يتيح لموظفي الأمن التركيز على مهام أكثر أهمية.

أنظمة ANPR ركن أساسي في مستقبل المدن الذكية#

بعد استعراض بعض تطبيقات أنظمة ANPR المدمجة مع YOLO11، دعونا ننظر في هذه التطبيقات من منظور أكثر ترابطًا.

لا تقتصر مزايا هذه الأنظمة على التطبيقات المنفردة، بل تتجلى بوضوح عندما تُنظر إليها بوصفها حلًا متكاملًا للبنية التحتية الحضرية في المدن الذكية. ومع تطور المدن لتصبح أكثر ذكاءً، تؤدي أنظمة التعرّف الآلي على لوحات المركبات دورًا متزايد الأهمية في البنية التحتية الحضرية.

على سبيل المثال، لننظر في مدينة ذكية تُستخدم فيها تقنية ANPR لإدارة حركة المرور، وتأمين الدخول، وتيسير ركن السيارات في آنٍ واحد. يمكن رصد مركبة عند دخولها المدينة، وتتبعها في مختلف أرجاء المدينة، ومنحها إذن الدخول إلى المناطق المقيّدة، والسماح لها بالوقوف من دون أي تدخل يدوي.

من خلال دمج نماذج الرؤية الحاسوبية مثل YOLO11، يمكن لأنظمة التعرّف الآلي على لوحات المركبات المساعدة في إدارة حركة المرور بكفاءة أكبر، وتعزيز الأمن، وتحسين السلامة العامة. وتتيح هذه الأنظمة المراقبة في الوقت الفعلي، والعمليات المؤتمتة، واتخاذ القرارات المستندة إلى البيانات، وهي أمور ضرورية لإدارة التعقيدات المتزايدة للمدن الحديثة.

نظرة أخيرة على ANPR باستخدام YOLO11#

أصبحت أنظمة ANPR ضرورية للبنية التحتية الحضرية الحديثة، ويزيد دمج نماذج الرؤية الحاسوبية مثل YOLO11 من فوائدها. يعزز YOLO11 أداء ANPR بفضل دقته الأعلى ومعالجته في الوقت الفعلي وقابليته للتكيف، ما يجعله مثاليًا لتطبيقات المدن الذكية. ومن تحسين إدارة حركة المرور وإنفاذ القانون إلى أتمتة مواقف السيارات وتأمين الدخول، تحقق أنظمة ANPR المعززة بـ YOLO11 الكفاءة والموثوقية. ومع ازدياد ذكاء المدن، يُرجح أن تؤدي هذه الحلول دورًا محوريًا في تحويل الحياة الحضرية ودعم مستقبل البنية التحتية الذكية.

لمعرفة المزيد عن الذكاء الاصطناعي، تفضل بزيارة مستودع GitHub وتفاعل مع مجتمعنا. واستكشف تطبيقات الذكاء الاصطناعي في التصنيع والزراعة على صفحات الحلول لدينا.