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 ...

【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