【项目三、车牌检测+识别项目】四、使用LPRNet进行车牌识别
目录
- 前言
- 一、数据集
- 二、训练
- 三、验证
- 四、测试结果
- 五、推理代码
- Reference
前言
马上要找工作了,想总结下自己做过的几个小项目。
之前已经总结过了我做的第一个项目:xxx病虫害检测项目,github源码地址:HuKai97/FFSSD-ResNet。CSDN讲解地址:
- 【项目一、xxx病虫害检测项目】1、SSD原理和源码分析
- 【项目一、xxx病虫害检测项目】2、网络结构尝试改进:Resnet50、SE、CBAM、Feature Fusion
- 【项目一、xxx病虫害检测项目】3、损失函数尝试:Focal loss
第二个项目:蜂巢检测项目,github源码地址:https://github.com/HuKai97/YOLOv5-ShuffleNetv2。CSDN讲解地址:
【项目二、蜂巢检测项目】一、串讲各类经典的卷积网络:InceptionV1-V4、ResNetV1-V2、MobileNetV1-V3、ShuffleNetV1-V2、ResNeXt、Xception。
【项目二、蜂巢检测项目】二、模型改进:YOLOv5s-ShuffleNetV2。
如果对YOLOv5不熟悉的同学可以先看看我写的YOLOv5源码讲解CSDN:【YOLOV5-5.x 源码讲解】整体项目文件导航,注释版YOLOv5源码我也开源在了Github上:HuKai97/yolov5-5.x-annotations,欢迎大家star!
之前一直在学习OCR相关的东西,就想着能不能做一个车牌识别的项目出来,刚好车牌检测也好做,直接用v5就可以了。我的打算是做一个轻量级的车牌识别项目,检测网络用的是YOLOv5s,识别网络有的是LPRNet。
这一节主要介绍下怎么训练LPRNet车牌识别模型。
车牌识别项目所有讲解:
- 【项目三、车牌检测+识别项目】一、CCPD车牌数据集转为YOLOv5格式和LPRNet格式
- 【项目三、车牌检测+识别项目】二、使用YOLOV5进行车牌检测
- 【项目三、车牌检测+识别项目】三、LPRNet车牌识别网络原理和核心源码解读
- 【项目三、车牌检测+识别项目】四、使用LPRNet进行车牌识别
代码已全部上传GitHub:https://github.com/HuKai97/YOLOv5-LPRNet-Licence-Recognition
一、数据集
在项目文件 YOLOv5-LRPNet-Licence-Recognition 的同级目录建一个datasets文件,数据集这里写的很清楚:【项目三、车牌检测+识别项目】一、CCPD车牌数据集转为YOLOv5格式和LPRNet格式,制作好放在在datasets里面,我一般不会把数据和代码放在一起,那样pycharm打开非常慢。
二、训练
在tools下的train_lprnet.py,主要配置:
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"", help='the train images path')parser.add_argument('--test_img_dirs', default=r"", help='the test images path')parser.add_argument('--dropout_rate', default=0.5, help='dropout rate.')parser.add_argument('--learning_rate', default=0.01, 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=128, 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=500, type=int, help='interval for save model state dict')parser.add_argument('--test_interval', default=500, 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=[20, 40, 60, 80, 100], help='schedule for learning rate.')parser.add_argument('--save_folder', default=r'',help='Location to save checkpoint models')parser.add_argument('--pretrained_model', default='', help='no pretrain')
另外,我是没加载预训练权重的,一开始训不好,后来发现调好learning_rate和lr_schedule这两个参数,一般都能训到不错的分数(93+)。
三、验证
在tools下的test_lprnet.py,主要配置:
def get_parser():parser = argparse.ArgumentParser(description='parameters to train net')parser.add_argument('--img_size', default=[94, 24], help='the image size')parser.add_argument('--test_img_dirs', default=r"", help='the test images path')parser.add_argument('--dropout_rate', default=0, help='dropout rate.')parser.add_argument('--lpr_max_len', default=8, help='license plate number max length.')parser.add_argument('--test_batch_size', default=100, help='testing batch size.')parser.add_argument('--phase_train', default=False, type=bool, help='train or test phase flag.')parser.add_argument('--num_workers', default=0, 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('--show', default=False, type=bool, help='show test image and its predict result or not.')parser.add_argument('--pretrained_model', default=r'', help='pretrained base model')
LPRNet算法性能:
model | 数据集 | epochs | acc | size |
---|---|---|---|---|
LPRNet | val | 100 | 94.33 | 1.7M |
LPRNet | test | 100 | 94.30 | 1.7M |
整个模型(YOLOv5+LPRNet)速度:47.6FPS(970 GPU)
四、测试结果
当然也有检测的不好的:
五、推理代码
main.py
import argparseimport torch.backends.cudnn as cudnnfrom models.experimental import *
from utils.datasets import *
from utils.utils import *
from models.LPRNet import *def detect(save_img=False):classify, out, source, det_weights, rec_weights, view_img, save_txt, imgsz = \opt.classify, opt.output, opt.source, opt.det_weights, opt.rec_weights, opt.view_img, opt.save_txt, opt.img_sizewebcam = source == '0' or source.startswith('rtsp') or source.startswith('http') or source.endswith('.txt')# Initializedevice = torch_utils.select_device(opt.device)if os.path.exists(out):shutil.rmtree(out) # delete rec_result folderos.makedirs(out) # make new rec_result folderhalf = device.type != 'cpu' # half precision only supported on CUDA# Load yolov5 modelmodel = attempt_load(det_weights, map_location=device) # load FP32 modelprint("load det pretrained model successful!")imgsz = check_img_size(imgsz, s=model.stride.max()) # check img_sizeif half:model.half() # to FP16# Second-stage classifier 也就是rec 字符识别if classify:modelc = LPRNet(lpr_max_len=8, phase=False, class_num=len(CHARS), dropout_rate=0).to(device)modelc.load_state_dict(torch.load(rec_weights, map_location=torch.device('cpu')))print("load rec pretrained model successful!")modelc.to(device).eval()# Set Dataloadervid_path, vid_writer = None, Noneif webcam:view_img = Truecudnn.benchmark = True # set True to speed up constant image size demodataset = LoadStreams(source, img_size=imgsz)else:save_img = Truedataset = LoadImages(source, img_size=imgsz)# Get names and colorsnames = model.module.names if hasattr(model, 'module') else model.namescolors = [[random.randint(0, 255) for _ in range(3)] for _ in range(len(names))]# Run demot0 = time.time()img = torch.zeros((1, 3, imgsz, imgsz), device=device) # init img_ = model(img.half() if half else img) if device.type != 'cpu' else None # run oncefor path, img, im0s, vid_cap in dataset:img = torch.from_numpy(img).to(device)img = img.half() if half else img.float() # uint8 to fp16/32img /= 255.0 # 0 - 255 to 0.0 - 1.0if img.ndimension() == 3:img = img.unsqueeze(0)# Inferencet1 = torch_utils.time_synchronized()pred = model(img, augment=opt.augment)[0]# Apply NMSpred = non_max_suppression(pred, opt.conf_thres, opt.iou_thres, classes=opt.classes, agnostic=opt.agnostic_nms)t2 = torch_utils.time_synchronized()# Apply Classifierif classify:pred, plat_num = apply_classifier(pred, modelc, img, im0s)# Process detectionsfor i, det in enumerate(pred): # detections per imageif webcam: # batch_size >= 1p, s, im0 = path[i], '%g: ' % i, im0s[i].copy()else:p, s, im0 = path, '', im0ssave_path = str(Path(out) / Path(p).name)txt_path = str(Path(out) / Path(p).stem) + ('_%g' % dataset.frame if dataset.mode == 'video' else '')s += '%gx%g ' % img.shape[2:] # print stringgn = torch.tensor(im0.shape)[[1, 0, 1, 0]] # normalization gain whwhif det is not None and len(det):# Rescale boxes from img_size to im0 sizedet[:, :4] = scale_coords(img.shape[2:], det[:, :4], im0.shape).round()# Print resultsfor c in det[:, 5].unique():n = (det[:, 5] == c).sum() # detections per classs += '%g %ss, ' % (n, names[int(c)]) # add to string# Write resultsfor de, lic_plat in zip(det, plat_num):# xyxy,conf,cls,lic_plat=de[:4],de[4],de[5],de[6:]*xyxy, conf, cls=deif save_txt: # Write to filexywh = (xyxy2xywh(torch.tensor(xyxy).view(1, 4)) / gn).view(-1).tolist() # normalized xywhwith open(txt_path + '.txt', 'a') as f:f.write(('%g ' * 5 + '\n') % (cls, xywh)) # label formatif save_img or view_img: # Add bbox to image# label = '%s %.2f' % (names[int(cls)], conf)lb = ""for a,i in enumerate(lic_plat):# if a ==0:# continuelb += CHARS[int(i)]label = '%s %.2f' % (lb, conf)im0=plot_one_box(xyxy, im0, label=label, color=colors[int(cls)], line_thickness=3)# Print time (demo + NMS)print('%sDone. (%.3fs)' % (s, t2 - t1))# Stream resultsif view_img:cv2.imshow(p, im0)if cv2.waitKey(1) == ord('q'): # q to quitraise StopIteration# Save results (image with detections)if save_img:if dataset.mode == 'images':cv2.imwrite(save_path, im0)else:if vid_path != save_path: # new videovid_path = save_pathif isinstance(vid_writer, cv2.VideoWriter):vid_writer.release() # release previous video writerfourcc = 'mp4v' # rec_result video codecfps = vid_cap.get(cv2.CAP_PROP_FPS)w = int(vid_cap.get(cv2.CAP_PROP_FRAME_WIDTH))h = int(vid_cap.get(cv2.CAP_PROP_FRAME_HEIGHT))vid_writer = cv2.VideoWriter(save_path, cv2.VideoWriter_fourcc(*fourcc), fps, (w, h))vid_writer.write(im0)if save_txt or save_img:print('Results saved to %s' % os.getcwd() + os.sep + out)if platform == 'darwin': # MacOSos.system('open ' + save_path)print('Done. (%.3fs)' % (time.time() - t0))if __name__ == '__main__':parser = argparse.ArgumentParser()parser.add_argument('--classify', nargs='+', type=str, default=True, help='True rec')parser.add_argument('--det-weights', nargs='+', type=str, default='./weights/yolov5_best.pt', help='model.pt path(s)')parser.add_argument('--rec-weights', nargs='+', type=str, default='./weights/lprnet_best.pth', help='model.pt path(s)')parser.add_argument('--source', type=str, default='./demo/images/', help='source') # file/folder, 0 for webcamparser.add_argument('--rec_result', type=str, default='demo/rec_result', help='rec_result folder') # rec_result folderparser.add_argument('--img-size', type=int, default=640, help='demo size (pixels)')parser.add_argument('--conf-thres', type=float, default=0.4, help='object confidence threshold')parser.add_argument('--iou-thres', type=float, default=0.5, help='IOU threshold for NMS')parser.add_argument('--device', default='', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')parser.add_argument('--view-img', action='store_true', help='display results')parser.add_argument('--save-txt', action='store_true', help='save results to *.txt')parser.add_argument('--classes', nargs='+', type=int, help='filter by class')parser.add_argument('--agnostic-nms', action='store_true', help='class-agnostic NMS')parser.add_argument('--augment', action='store_true', help='augmented demo')parser.add_argument('--update', action='store_true', help='update all models')opt = parser.parse_args()print(opt)with torch.no_grad():if opt.update: # update all models (to fix SourceChangeWarning)for opt.weights in ['yolov5s.pt', 'yolov5m.pt', 'yolov5l.pt', 'yolov5x.pt', 'yolov3-spp.pt']:detect()create_pretrained(opt.weights, opt.weights)else:detect()
Reference
CSDN: linux-mobaxterm-yolov5训练数据集ccpd–无数踩雷后
Github: https://github.com/ultralytics/yolov5
Github: https://github.com/sirius-ai/LPRNet_Pytorch
Gitee: https://gitee.com/reason1251326862/plate_classification
Github:https://github.com/kiloGrand/License-Plate-Recognition
【项目三、车牌检测+识别项目】四、使用LPRNet进行车牌识别相关推荐
- 计算机组装工具的使用,计算机组装与维护实训项目三 电脑检测常用工具的使用.doc...
计算机组装与维护实训项目三 电脑检测常用工具的使用 计算机组装与维护实训项目三 电脑检测常用工具的使用 人们在购买电脑时,不管是买品牌机.兼容机,或二手机,最关心的就是价格与品质是否一致,最怕销售商以 ...
- 计算机组装常用工具有锤子,计算机组装与维护实训项目三 电脑检测常用工具的等使用.doc...
计算机组装与维护实训项目三 电脑检测常用工具的等使用 计算机组装与维护实训项目三 电脑检测常用工具的使用 人们在购买电脑时,不管是买品牌机.兼容机,或二手机,最关心的就是价格与品质是否一致,最怕销售商 ...
- 轻量级车牌检测开源项目(支持车牌四顶点定位、车牌矫正对齐)
先看效果 项目地址 https://github.com/gm19900510/Pytorch_Retina_License_Plate 内容 环境说明 安装 数据 训练 TODO 参考文献 环境说明 ...
- 从零开始搭建SpringBoot项目(三)——小程序Uni-app项目搭建(详细教程和实战)
前情回顾 从零开始搭建SpringBoot项目(一)--开发环境搭建 从零开始搭建SpringBoot项目(二)--Swagger接口测试平台搭建 目录 前情回顾 一.前置条件 二.本篇介绍 三.获取 ...
- 【项目三、车牌检测+识别项目】一、CCPD车牌数据集转为YOLOv5格式和LPRNet格式
目录 前言 一.CCPD数据集介绍 二.CCPD数据集下载 三.划分训练集.验证集和测试集 四.车牌检测数据集制作 五.车牌识别数据集制作 六.我的车牌检测+识别数据集 Reference 前言 马上 ...
- 【项目三、车牌检测+识别项目】二、使用YOLOV5进行车牌检测
目录 前言 一.数据集 二.ccpd.yaml 三.训练 四.验证 五.测试结果 Reference 前言 马上要找工作了,想总结下自己做过的几个小项目. 之前已经总结过了我做的第一个项目:xxx病虫 ...
- 智能驾驶 车牌检测和识别(三)《CRNN和LPRNet实现车牌识别(含车牌识别数据集和训练代码)》
智能驾驶 车牌检测和识别(三)<CRNN和LPRNet实现车牌识别(含车牌识别数据集和训练代码)> 目录 智能驾驶 车牌检测和识别(三)<CRNN和LPRNet实现车牌识别(含车牌识 ...
- 智能驾驶 车牌检测和识别(四)《Android实现车牌检测和识别(可实时车牌识别)》
智能驾驶 车牌检测和识别(四)<Android实现车牌检测和识别(可实时车牌识别)> 目录 智能驾驶 车牌检测和识别(四)<Android实现车牌检测和识别(可实时车牌识别)> ...
- 智能驾驶 车牌检测和识别(五)《C++实现车牌检测和识别(可实时车牌识别)》
智能驾驶 车牌检测和识别(五)<C++实现车牌检测和识别(可实时车牌识别)> 目录 智能驾驶 车牌检测和识别(五)<C++实现车牌检测和识别(可实时车牌识别)> 1. 前言 2 ...
最新文章
- 杭电1024 Max Sum Plus Plus状压dp(java)
- [Python web开发] Web框架开发基础 (一)
- Kafka的10道基础面试题
- oracle9可以访问8,使用Oracle9i全索引扫描快速访问数据
- c语言int grade 5,C语言补考!!!
- 【渝粤题库】 陕西师范大学 202331 证券投资学 作业(专升本)
- ENVI辐射定标出现Calibration requires gain and offset for each band错误提示
- 第一季度VR市场报告出炉,中国市场份额下降至全球第三
- 数据集:高考录取分数
- linux 更换 镜像源
- 写Python爬虫又被屏蔽了,你现在需要一个稳定的代理IP
- 安卓手机连接不上电脑解决方法总结
- SQL Server select 英文区分大小写
- GUID分区表的学习
- Windows下nginx启动报错黑屏(1113: No mapping for the Unicode character exists in the target......
- Java项目:精美物流管理系统(java+SpringBoot+Vue+maven+Mysql)
- [数据库] MariaDB安装及使用
- 2022最新SpringBoot2.X仿B站项目part1笔记
- 前置++与后置++的不同
- 三国杀开源系列之二105@365
热门文章
- PostgreSQL备机checkpoint
- JDK1.6“新“特性Instrumentation之JavaAgent
- 视频时序动作识别(video action recognition)介绍
- 多媒体计算机的图像包括,多媒体计算机常用的图像包括什么
- 为什么说,百度SEO是经验主义?
- 【读书笔记】数学之美
- 2021年全球及中国集成电路销售及趋势分析
- 分治、CDQ分治小结(need to be updated)
- CSS - 移动端布局(一)关键的前置知识
- vr 瞬移_瞬移演示