تعرّف على كيفية إنشاء نظام ANPR باستخدام Ultralytics YOLO11 لاكتشاف لوحات الأرقام وGPT-4o Mini للتعرّف على النصوص بدقة في الوقت الحقيقي.
إن العثور على موقف للسيارات في موقف مزدحم، أو الانتظار في طوابير طويلة في أكشاك دفع رسوم المرور، أو التورط في نقاط التفتيش الأمني أمر محبط. وغالباً ما تستغرق عمليات الفحص اليدوي للسيارات وقتاً طويلاً جداً وتتسبب في التأخير. بدون نظام آلي، قد يكون تتبع السيارات بكفاءة أمراً صعباً.
لقد غيرت الرؤية الحاسوبية هذا الأمر من خلال تمكين التعرف على لوحات الأرقام في الوقت الحقيقي من الصور وتدفقات الفيديو. على سبيل المثال Ultralytics YOLO11 هو نموذج متقدم للرؤية الحاسوبية يمكنه أداء مهام الذكاء الاصطناعي المتقدمة للرؤية مثل اكتشاف الأجسام وتصنيفها وتتبعها. باستخدام قدرات YOLO11 في اكتشاف الأجسام، يمكنك اكتشاف لوحات أرقام المركبات في الصور بدقة.
تقدم Ultralytics دفاتر ملاحظاتGoogle Colab الشاملة التي تبسّط عملية إنشاء حلول مدعومة بالذكاء الاصطناعي Vision. تأتي هذه الدفاتر مهيأة مسبقًا مع التبعيات الأساسية والنماذج والأدلة الإرشادية خطوة بخطوة، مما يجعل إنشاء التطبيقات أسهل. على وجه الخصوص، هناك دفتر ملاحظات Colab مخصص لـ ANPR (التعرف التلقائي على لوحات الأرقام).
سنستكشف في هذه المقالة، باستخدام دفتر ملاحظات Ultralytics Colab لـ ANPR، كيفية إنشاء حل ANPR باستخدام Ultralytics YOLO11 لاكتشاف لوحات الأرقام وGPT-4o Mini للتعرّف على النصوص.
إن تتبع السيارات يدوياً يستغرق وقتاً طويلاً وعرضة للأخطاء، خاصةً عندما تتحرك بسرعة. يؤدي التحقق من كل لوحة أرقام واحدة تلو الأخرى إلى إبطاء العملية ويزيد من مخاطر الأخطاء. يحل نظام التعرّف التلقائي على لوحات الأرقام هذه المشكلة باستخدام الرؤية الحاسوبية لاكتشاف لوحات السيارات وقراءتها على الفور، مما يجعل مراقبة حركة المرور والأمن أكثر كفاءة.
يمكن لأنظمة ANPR التقاط صور أو مقاطع فيديو للمركبات المارة واستخدام الكشف عن الأجسام في الوقت الحقيقي لتحديد لوحات الأرقام. وبمجرد اكتشافها، يتم استخدام التعرف على النص لاستخراج أرقام اللوحات تلقائياً، دون الحاجة إلى تدخل بشري. تضمن هذه العملية الحصول على نتائج دقيقة، حتى عندما تتحرك المركبات بسرعة أو عندما تكون اللوحات محجوبة جزئياً.
في الوقت الحاضر، تعتمد أكشاك دفع رسوم المرور، وأنظمة وقوف السيارات، وأجهزة إنفاذ القانون بشكل متزايد على نظام الرادار الآلي لتحديد المواقع لتتبع المركبات بكفاءة.
على الرغم من أن نظام الرادار الرادّ الآلي لتحديد المواقع (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 دقة عمل نظام الرادار الرادّ الآلي لتحديد المواقع:
يمكن أن يجعل Ultralytics YOLO11 أنظمة ANPR أسرع وأكثر دقة. فهو يعالج الصور بسرعة مع الحفاظ على الدقة ولا يتطلب قوة حوسبة كبيرة، لذا فهو يعمل بشكل جيد على كل شيء بدءاً من الكاميرات الأمنية الصغيرة وحتى أنظمة المرور الكبيرة.
من خلال التدريب المخصص، يمكن تكييف YOLO11 مع أنماط ولغات وبيئات مختلفة للوحات السيارات. كما أنه يؤدي أداءً جيداً في الظروف الصعبة مثل الإضاءة المنخفضة وضبابية الحركة والزوايا الصعبة عند تدريبه المخصص على مجموعات بيانات متخصصة تتضمن صوراً لهذه الظروف.
من خلال تحديد المركبات على الفور، يساعد YOLO11 على تقليل أوقات الانتظار ومنع الأخطاء وتحسين الأمن. وهذا يجعل التدفق المروري أكثر سلاسة والعمليات أكثر كفاءة في مواقف السيارات وأكشاك دفع الرسوم وأنظمة المراقبة.
بعد ذلك، دعنا نستعرض كيفية إنشاء نظام ANPR باستخدام YOLO11 و GPT-4o Mini.
سنقوم باستكشاف الكود المعروض في دفتر ملاحظاتGoogle Collab من Ultralytics لهذا الحل. دفتر ملاحظات Google Colab سهل الاستخدام ويمكن لأي شخص إنشاء نظام ANPR دون الحاجة إلى إعداد معقد.
للبدء، سنحتاج إلى تثبيت التوابع، أو حزم البرامج والمكتبات الأساسية المطلوبة لتشغيل نظام ANPR. تساعد هذه التبعيات في مهام مثل اكتشاف الأجسام، ومعالجة الصور، والتعرف على النصوص، مما يضمن عمل النظام بكفاءة.
سنقوم بتثبيت حزمةUltralytics Python كما هو موضح أدناه. توفّر هذه الحزمة نماذج مُدرّبة مسبقًا، وأدوات مساعدة للتدريب، وأدوات استنتاج، مما يسهّل اكتشاف لوحات الأرقام والتعرّف عليها باستخدام YOLO11.
.webp)
سنحتاج أيضًا إلى إعداد GPT-4o Mini للتعرف على النص. نظرًا لأن GPT-4o Mini مسؤول عن استخراج النص من اللوحات المكتشفة، نحتاج إلى مفتاح API للوصول إلى النموذج. يمكن الحصول على هذا المفتاح من خلال الاشتراك في واجهة برمجة تطبيقات GPT-4o Mini. بمجرد الحصول على المفتاح، يمكن إضافته إلى دفتر ملاحظات Colab حتى يتمكن النظام من الاتصال بالنموذج ومعالجة أرقام اللوحات.
بعد الانتهاء من الإعداد وتشغيل رمز التثبيت، سيكون YOLO11 جاهزًا لاكتشاف لوحات الترخيص، وسيتم إعداد GPT-4o Mini للتعرّف على النصوص واستخراجها منها.
والآن بعد أن تم إعداد كل شيء، فإن الخطوة التالية هي تنزيل نموذج YOLO11 الذي تم تدريبه خصيصاً لاكتشاف لوحات الأرقام. نظرًا لأن هذا النموذج قد تم تدريبه بالفعل على اكتشاف لوحات الأرقام، فلا داعي لتدريبه من الصفر. يمكنك فقط تنزيله، وسيكون جاهزاً للاستخدام. وهذا يوفر الوقت ويجعل العملية أسهل بكثير.
سنقوم أيضًا بتنزيل نموذج ملف فيديو لاختبار النظام. إذا أردت، يمكنك تشغيل هذا الحل على ملفات الفيديو الخاصة بك أيضاً. بمجرد التنزيل، سيتم تخزين النموذج وملفات الفيديو في بيئة دفتر الملاحظات.
.webp)
بمجرد أن يصبح النموذج جاهزًا، حان الوقت لرؤيته أثناء العمل. أولاً، يتم تحميل ملف الفيديو للمعالجة، والتأكد من فتحه بشكل صحيح. ثم يتم إعداد كاتب الفيديو لحفظ اللقطات المعالجة مع لوحات الترخيص المكتشفة مع الحفاظ على الحجم الأصلي ومعدل الإطارات. وأخيراً، يتم تحميل النموذج لاكتشاف لوحات الترخيص في كل إطار من الفيديو.
بمجرد تحميل النموذج، سيبدأ النظام في تحليل كل إطار من الفيديو للكشف عن لوحات السيارات. عندما يتم العثور على لوحة، يسلط النظام الضوء عليها بمربع كشف، مما يسهّل التعرف عليها. تضمن هذه الخطوة التقاط التفاصيل ذات الصلة فقط، مع تصفية المعلومات الخلفية غير الضرورية. بعد اكتشاف اللوحات بنجاح، يصبح الفيديو الآن جاهزاً للمرحلة التالية.
بعد اكتشاف لوحة الأرقام، تكون الخطوة التالية هي التعرف على النص. يقوم النظام أولاً باقتصاص اللوحة من إطار الفيديو، وإزالة أي مشتتات للحصول على رؤية واضحة. يساعد ذلك في التركيز على التفاصيل، وتحسين الدقة حتى في الظروف الصعبة مثل الإضاءة المنخفضة أو ضبابية الحركة.
وبمجرد عزل اللوحة، يقوم GPT-4o Mini بتحليل الصورة واستخراج الأرقام والحروف وتحويلها إلى نص مقروء. ثم يُضاف النص الذي تم التعرّف عليه إلى الفيديو، ليقوم بتسمية كل لوحة مكتشفة في الوقت الفعلي.
بعد اكتمال هذه الخطوات، يصبح نظام ANPR يعمل بكامل طاقته وجاهزاً للتعرّف على لوحات السيارات بسهولة.
تقوم الخطوة الأخيرة بحفظ الفيديو الذي تمت معالجته وتنظيف الملفات المؤقتة، مما يضمن تشغيل كل شيء بسلاسة.
تتم كتابة كل إطار تمت معالجته، مع اللوحات المكتشفة والنص الذي تم التعرف عليه، إلى فيديو الإخراج النهائي. بمجرد الانتهاء من معالجة جميع الإطارات، يغلق النظام ملف الفيديو الذي كان يقرأ منه، مما يؤدي إلى تحرير الذاكرة وموارد النظام. كما أنه ينهي الفيديو الناتج ويحفظه، مما يجعله جاهزًا للتشغيل أو لمزيد من التحليل.
.webp)
بعد إنشاء حل الذكاء الاصطناعي للذكاء الاصطناعي واختباره، فإن الخطوة التالية هي نشره في بيئة واقعية. تعتمد معظم نماذج الذكاء الاصطناعي المرئي على الحوسبة عالية الأداء، ولكن تم تحسين Ultralytics YOLO11 للذكاء الاصطناعي Edge. يمكن تشغيله بكفاءة على الأجهزة الصغيرة دون الحاجة إلى معالجة سحابية أو اتصال دائم بالإنترنت، مما يجعله خياراً رائعاً للمواقع ذات الموارد المحدودة.
على سبيل المثال، يمكن لمجتمع مسوّر نشر YOLO11 على جهاز متطور للتعرف على المركبات عند دخولها، مما يلغي الحاجة إلى خوادم كبيرة. تتم معالجة كل شيء في الموقع في الوقت الفعلي، مما يضمن سلاسة الوصول وتقليل الازدحام وتعزيز الأمن.
.webp)
وفي الوقت نفسه، في المناطق ذات الاتصال المستقر بالإنترنت، يمكن لنظام ANPR المستند إلى السحابة التعامل مع كاميرات متعددة في وقت واحد. على سبيل المثال، في مراكز التسوق، يمكن لهذه الكاميرات تتبع المركبات عبر مداخل مختلفة وتخزين أرقام اللوحات في نظام مركزي، مما يسهّل مراقبة مواقف السيارات وتحسين الأمن وإدارة تدفق المركبات عن بُعد.
يُعدّ إعداد نظام التعرف التلقائي على لوحات الأرقام (ANPR) أمرًا بسيطًا مع Ultralytics YOLO11. فهو يكتشف لوحات الأرقام بدقة، ويمكن تدريبه بشكل مخصص للتكيف مع البيئات والمتطلبات المختلفة.
تعمل أنظمة ANPR على تعزيز الأمن، وتبسيط إدارة مواقف السيارات، وتحسين مراقبة حركة المرور. ومن خلال أتمتة التعرف على لوحات الأرقام، فإنها تقلل من الأخطاء، وتسرّع عملية تحديد الهوية، وتجعل تتبع المركبات أكثر كفاءة في مختلف التطبيقات.
انضم إلى مجتمعنا وقم بزيارة مستودع GitHub الخاص بنا لمشاهدة الذكاء الاصطناعي أثناء العمل. استكشف خيارات الترخيص لدينا واكتشف المزيد عن الذكاء الاصطناعي المرئي في التصنيع والذكاء الاصطناعي في السيارات ذاتية القيادة على صفحات الحلول الخاصة بنا.
