前言

项目放这：车牌识别

基于python和pytorch平台，使用CCPD2020新能源车牌数据集进行训练，效果如下：

验证集70%多的识别率吧，效果不算特别好，但也能用，另外CCPD2020数据集里面有一些图片是模糊到肉眼也分辨不出来的，应该也有所影响，剔除掉这一部分应该会再好一点。

一、程序思路

训练：yolov3和LPRnet分别进行训练得到各自的weight
测试：将图片输入后一次经过两个网络得到结果，先经过yolov3进行车牌目标检测，然后分割出车牌区域给LPRnet进行识别（LPR只能识别字符不能检测目标）

二、使用步骤

1.配置环境

Package Version
absl-py 1.0.0
cachetools 4.2.4
certifi 2021.10.8
charset-normalizer 2.0.12
cycler 0.11.0
dataclasses 0.6
fonttools 4.32.0
future 0.18.2
google-auth 1.35.0
google-auth-oauthlib 0.4.6
grpcio 1.44.0
idna 3.3
importlib-metadata 4.11.3
imutils 0.5.4
kiwisolver 1.4.2
lxml 4.8.0
Markdown 3.3.6
matplotlib 3.5.1
numpy 1.21.6
oauthlib 3.2.0
opencv-python 4.3.0.36
packaging 21.3
Pillow 9.1.0
pip 21.2.2
protobuf 3.20.0
pyasn1 0.4.8
pyasn1-modules 0.2.8
pycocotools 2.0.4
pyparsing 3.0.8
python-dateutil 2.8.2
PyYAML 6.0
requests 2.27.1
requests-oauthlib 1.3.1
rsa 4.8
scipy 1.7.3
setuptools 61.2.0
six 1.16.0
tensorboard 2.1.0
torch 1.7.0
torchaudio 0.7.0
torchvision 0.8.1
tqdm 4.64.0
typing_extensions 4.1.1
urllib3 1.26.9
Werkzeug 2.1.1
wheel 0.37.1
zipp 3.8.0

2.文件结构

3.准备数据集

yolov3需要yolo格式的数据集，对yolo格式和网络不太了解的可以参考yolov3源码讲解。LPRnet需要标签为图片名，输入为94*24的图片。

如果使用CCPD数据集，分别可以使用CCPD_trans_yolodataset.py和CCPD_trans_LPRdataset.py转成两个网络所需要的数据类型

4.训练

准备好数据集文件后：
yolov3的训练，在这按自己的需求修改相关配置即可开始训练

parser = argparse.ArgumentParser()parser.add_argument('--epochs', type=int, default=30)parser.add_argument('--batch-size', type=int, default=4)parser.add_argument('--cfg', type=str, default='cfg/my_yolov3.cfg', help="*.cfg path")parser.add_argument('--data', type=str, default='data/my_data.data', help='*.data path')parser.add_argument('--hyp', type=str, default='cfg/hyp.yaml', help='hyperparameters path')parser.add_argument('--multi-scale', type=bool, default=True,help='adjust (67%% - 150%%) img_size every 10 batches')parser.add_argument('--img-size', type=int, default=512, help='test size')parser.add_argument('--rect', action='store_true', help='rectangular training')parser.add_argument('--savebest', type=bool, default=False, help='only save best checkpoint')parser.add_argument('--notest', action='store_true', help='only test final epoch')parser.add_argument('--cache-images', action='store_true', help='cache images for faster training')parser.add_argument('--weights', type=str, default='weights/yolov3-spp-ultralytics-512.pt',help='initial weights path')parser.add_argument('--name', default='', help='renames results.txt to results_name.txt if supplied')parser.add_argument('--device', default='cuda:0', help='device id (i.e. 0 or 0,1 or cpu)')parser.add_argument('--single-cls', action='store_true', help='train as single-class dataset')parser.add_argument('--freeze-layers', type=bool, default=False, help='Freeze non-output layers')# 是否使用混合精度训练(需要GPU支持混合精度)parser.add_argument("--amp", default=False, help="Use torch.cuda.amp for mixed precision training")opt = parser.parse_args()

LPRnet的训练，如果遇到loss为Nan尝试修改learning_rate即可，其他按自己的需求修改即可开始训练

def get_parser():parser = argparse.ArgumentParser(description='parameters to train net')parser.add_argument('--max_epoch', default=100, help='epoch to train the network')parser.add_argument('--img_size', default=[94, 24], help='the image size')parser.add_argument('--train_img_dirs', default=r"./My_LPRnet_Dataset/train/", help='the train images path')parser.add_argument('--test_img_dirs', default=r"./My_LPRnet_Dataset/val/", help='the test images path')parser.add_argument('--savebest', type=bool, default=False, help='only save best checkpoint')parser.add_argument('--dropout_rate', default=0.5, help='dropout rate.')parser.add_argument('--learning_rate', default=0.005, help='base value of learning rate.')parser.add_argument('--lpr_max_len', default=8, help='license plate number max length.')parser.add_argument('--train_batch_size', default=128, help='training batch size.')parser.add_argument('--test_batch_size', default=120, help='testing batch size.')parser.add_argument('--phase_train', default=True, type=bool, help='train or test phase flag.')parser.add_argument('--num_workers', default=8, type=int, help='Number of workers used in dataloading')parser.add_argument('--cuda', default=True, type=bool, help='Use cuda to train model')parser.add_argument('--resume_epoch', default=0, type=int, help='resume iter for retraining')parser.add_argument('--save_interval', default=2000, type=int, help='interval for save model state dict')parser.add_argument('--test_interval', default=2000, type=int, help='interval for evaluate')parser.add_argument('--momentum', default=0.9, type=float, help='momentum')parser.add_argument('--weight_decay', default=2e-5, type=float, help='Weight decay for SGD')parser.add_argument('--lr_schedule', default=[4, 8, 12, 14, 16], help='schedule for learning rate.')parser.add_argument('--save_folder', default='./weights/', help='Location to save checkpoint models')parser.add_argument('--save_weight_name', default='myLPRweight.pth', help='Location to save checkpoint models')# parser.add_argument('--pretrained_model', default='./weights/Final_LPRNet_model.pth', help='pretrained base model')parser.add_argument('--pretrained_model', default='', help='pretrained base model')args = parser.parse_args()return args

有问题欢迎指正

基于yolov3的目标检测与LPRnet字符识别的车牌识别（CCPD2020新能源车牌数据集）相关推荐

智慧交通day02-车流量检测实现12：基于yoloV3的目标检测
在本章节代码编写中,发现之前的代码所处的环境是python3,因此导致了cv2.dnn.readNetFromDarknet()在代码运行中导致了i[0]的获值失败,故总结如下: cv2.dnn.re ...
目标检测—基于Yolov3的目标检测项目实战（学习笔记）
最近在学习tensorflow,尝试运行学习了github上基于yolov3的一个目标检测项目,此算法可对视频.图片.摄像头实时进行检测,本文主要讲述了,在windows电脑上,复现这一目标检测项目的 ...
yolov3为什么对大目标检测不好_基于改进Yolov3的目标检测的研究
晏世武罗金良严庆摘要:目标检测在视频监控.无人驾驶系统.机械自动化等领域起着重要作用.在如今大数据的背景下,为进一步提高Yolov3在不同数据集下的性能,本文以KITTI数据集为基础,利用重新調 ...
【目标检测】基于yolov3交通标志检测和识别(附代码和数据集)
Hello,大家好,我是augustqi.今天给大家分享的目标检测项目是:基于yolov3交通标志检测和识别(附代码和数据集)[目前yolov7都出来了,为什么要用2018年的yolov3呢?因为我想 ...
【目标检测】基于yolov3的红细胞检测、计数项目(附代码+数据集)
先看训练得到的模型,在测试集上的检测效果: 大家好,我是augustqi.今天手把手带大家做一个深度学习实战项目:基于yolov3的红细胞检测.计数项目.yolov3模型的训练在Windows系统下进 ...
【目标检测】基于yolov3的血细胞检测和计数(无bug教程+附代码+数据集)
多的不说,少的不唠,先看检测效果图: 共检测三类:红细胞RBC.白细胞WBC.血小板Platelets Hello,大家好,我是augustqi.今天给大家带来的保姆级教程是:基于yolov3的血细胞 ...
深度神经网络在基于视觉的目标检测中的应用
简介: 目标检测是计算机视觉的一个重要应用方向,深度神经网络的提出极大地帮助基于视觉的目标检测提高了准确度.自2014年以来,深度神经网络在基于视觉的目标检测中被广泛应用,出现了多种算法.本文分别讨 ...
【教程】opencv-python+yolov3实现目标检测
目录 [教程]opencv-python+yolov3实现目标检测目标检测概况目标检测是? 目标检测算法? yolov3模型简介性能介绍架构介绍 opencv-python实现 why ope ...
OpenCV+yolov3实现目标检测(C++,Python)
OpenCV+yolov3实现目标检测(C++,Python) 目标检测算法主要分为两类:一类是基于Region Proposal(候选区域)的算法,如R-CNN系算法(R-CNN,Fast R-CN ...

基于yolov3的目标检测与LPRnet字符识别的车牌识别（CCPD2020新能源车牌数据集）

文章目录

前言