دراسة حالة
Graduation Project·2026
Drone Fire Watch: كشف جوي للحرائق والدخان
مشروع التخرج: كاشف YOLOv8-L مدرَّب على مجموعة بيانات D-Fire ذات 21 ألف صورة (precision وrecall وmAP50 ≈ 0.80)، يُقدَّم عبر FastAPI إلى لوحة عمليات React ومُبلِّغ ميداني مبني بـStreamlit.
01
نظرة عامة
مشروع تخرجي: نظام كشف جوي للحرائق والدخان مبني حول نموذج YOLOv8-L مخصص، يُقدَّم عبر خدمة استدلال FastAPI إلى عميلين: لوحة عمليات ومُبلِّغ ميداني.
02
التحدي
يعتمد كشف حرائق الغابات عادةً على المراقبة اليدوية أو صور الأقمار الصناعية المتأخرة. وحين يتأكد الحريق قد يكون انتشر بالفعل، ونادرًا ما تعرف الفرق الميدانية إلى أين تتجه بالضبط أو إلى أي اتجاه ستدفعه الرياح.
03
المنهجية
درّبت كاشف YOLOv8-L على D-Fire، وهي مجموعة بيانات للحرائق والدخان تضم 21 ألف صورة، واخترت العمود الفقري الأكبر عن قصد لأن الدقة هنا أهم من السرعة. تغلّف خدمة FastAPI النموذج وتُرجع اكتشافات منظّمة إلى عميلين: لوحة للمشغّلين ومُبلِّغ خفيف للعاملين في الميدان.
04
كيف يعمل
تصل الصور الجوية أو الميدانية إلى خدمة استدلال FastAPI التي تشغّل نموذج YOLOv8-L بدقة 640px وتُرجع JSON منظّمًا يتضمن التصنيفات ودرجات الثقة والمربعات المحيطة. تُطلق لوحة عمليات React التنبيهات فوق عتبة ثقة قابلة للضبط وتحفظ الإحصاءات وسجل التنبيهات. ويقرأ المُبلِّغ الميداني المبني بـStreamlit إحداثيات EXIF GPS من كل صورة، ويضع الاكتشافات على خريطة، ويثريها ببيانات الرياح الحية من OpenWeatherMap.
05
بنية النظام
كيف تتحدث الأجزاء مع بعضها. مرّر فوق عقدة أو انتقل إلى الشيفرة التي تشغّل النظام.
Sense
Infer
Serve
06
ماذا بنيت
نموذج YOLOv8-L مدرَّب ومُقيَّم على مجموعة D-Fire ذات 21 ألف صورة (~100 حقبة، 640px).
خدمة استدلال FastAPI بعقد JSON منظّم يتشاركه العميلان.
لوحة عمليات React: تنبيهات حسب عتبة الثقة وإحصاءات وسجل تنبيهات.
مُبلِّغ ميداني بـStreamlit مع خرائط EXIF-GPS وبيانات رياح OpenWeatherMap.
07
النتائج
درّبت كاشف YOLOv8-L مخصصًا للحرائق والدخان على مجموعة بيانات D-Fire ذات 21 ألف صورة (~100 حقبة، 640px)، محققًا precision وrecall وmAP50 ≈ 0.80.
فضّلت الدقة على السرعة عن قصد: في مجال حساس للسلامة، يكلّف الحريق الفائت أكثر من إطار أبطأ.
قدّمت النموذج عبر خدمة استدلال FastAPI تُرجع JSON منظّمًا.
بنيت لوحة عمليات React مع تنبيهات حسب عتبة الثقة وإحصاءات وسجل للتنبيهات.
بنيت مُبلِّغًا ميدانيًا بـStreamlit مع خرائط EXIF-GPS وبيانات الرياح من OpenWeatherMap.
08
النتائج
precision وrecall وmAP50 ≈ 0.80 للحرائق والدخان.
نموذج واحد وعميلان: المشغّلون والفرق الميدانية يقرؤون الاكتشافات نفسها.
نظام متكامل (نموذج وAPI وواجهتان)، وليس عرضًا محصورًا في notebook.
09
ماذا تعلّمت
في الرؤية الحاسوبية الحساسة للسلامة، اختر العمود الفقري بحسب كلفة الإخفاق لا بحسب سرعة المعيار.
لا قيمة للاكتشاف دون سياق: GPS والرياح يحوّلان مربعًا في صورة إلى قرار.
النموذج بلا واجهة للمشغّل ليس نظامًا. كانت الواجهات جزءًا من التصميم.
10