交通领域的应用智能化不断往纵深发展，其中最为成熟的车牌识别早已融入人们的日常生活之中，在高速公路电子收费系统、停车场等场景中随处可见。一些企业在具体业务中倾向采用开源方案降低研发成本，但现有公开的方案中少有完成端到端的车牌应用范例。

本次飞桨产业实践范例库开源车牌识别场景应用，提供了从技术方案、模型训练优化，到模型部署的全流程可复用方案，降低产业落地门槛。

项目链接

https://github.com/PaddlePaddle/PaddleOCR/tree/dygraph/applications

所有源码及教程均已开源。欢迎大家使用，star鼓励~

基于PaddleOCR的轻量级车牌识别系统

场景难点

本范例解决车牌识别任务，需完成车牌检测模型和车牌识别模型的微调与串联，并部署到端侧设备中。项目包含以下难点：

车牌在图像中的尺度差异大、在车辆上的悬挂位置不固定；
车牌图像质量层次不齐: 角度倾斜、图片模糊、光照不足、过曝等问题严重；
边缘和端测场景应用对模型大小有限制，推理速度有要求。

项目方案

针对以上问题，本范例选用PaddleOCR中的超轻量OCR系统PP-OCRv3进行车牌识别系统的开发，通过微调检测和识别模型，在CCPD新能源数据集达到99%的检测精度和94%的识别精度，模型大小为12.8M(检测2.5M+识别10.3M)。基于量化对模型体积进一步压缩到5.8M(1M+4.8M),同时推理速度提升25%。

训练数据

CCPD(Chinese City Parking Dataset）数据集包含蓝底车牌和新能源车牌，覆盖场景包括各类文字形态（倾斜、模糊）与气候环境（如阴雨天、雪天等），其中新能源车牌训练集数量为5769张。CCPD数据标签体现在图片文件名，其命名规范如图2所示。范例中我们通过转换脚本将上述规则转换为PaddleOCR的数据标注格式并划分数据集。

模型优化

在少量数据的情况下，优秀的预训练模型能够带来更好的精度和泛化性。本范例选择PaddleOCR最新发布的PP-OCRv3模型完成数据微调。PP-OCRv3在PP-OCRv2的基础上，端到端指标H-means在中文场景再提升5%, 英文数字模型提升11%，如图3所示。

在具体策略方面，PP-OCRv3在检测部分使用ResidualSE-FPN（残差注意力机制的FPN结构），识别部分使用SVTR_LCNet轻量级文本识别网络，GuidedTraining of CTCAttention损失指导CTC损失训练策略。上述策略的详细解释将在直播课展开。

由于车牌场景均为边端设备部署，因此对速度和模型大小有比较高的要求。采用量化训练的方式能够压缩模型大小、加速模型推理速度。模型量化可以在基本不损失模型精度的情况下，将FP32精度的模型参数转换为Int8精度，减小模型参数大小并加速计算，使用量化后的模型在移动端等部署时更具备速度优势。

综上，对于车牌检测和识别有如下3种方案：

PP-OCRv3中英文超轻量预训练模型直接预测
基于PP-OCRv3的策略在CCPD数据集中微调
基于PP-OCRv3的策略在CCPD数据集中微调后量化

最终，检测方案指标如表1所示，识别方案如表2所示。

预测部署

边缘部署和端侧部署是车牌识别的常见部署方式，PaddleLite轻量化推理引擎是飞桨专为手机、IOT端提供的高效推理能力。本范例采用PaddleLite的cpp推理，在骁龙855上完成示例演示，最终端到端预测速度为224ms。

产业实践范例教程，助力企业跨越AI落地鸿沟

飞桨产业实践范例，致力于加速AI在产业落地的前进路径，减少理论技术与产业应用的差距。范例来源于产业真实业务场景，通过完整的代码实现，提供从数据准备到模型部署的方案过程解析，堪称产业落地的“自动导航”。

真实产业场景：与实际具有AI应用的企业合作共建，选取企业高频需求的AI应用场景如智慧城市-安全帽检测、智能制造-表计读数等；
完整代码实现：提供可一键运行的代码，在“AIStudio一站式开发平台”上使用免费算力一键Notebook运行；
详细过程解析：深度解析从数据准备和处理、模型选择、模型优化和部署的AI落地全流程，共享可复用的模型调参和优化经验；
直达项目落地：百度高工手把手教用户进行全流程代码实践，轻松直达项目POC阶段。

一站式完成车牌识别任务：从模型优化到端侧部署相关推荐

一个方案搞定从模型量化到端侧部署全流程
量化的背景得益于海量数据.超强算力和最新技术,深度学习在视觉.自然语言处理等领域都取得了巨大成功.然而,深度学习模型的网络结构越来越复杂.参数越来越多.计算量越来越大,给模型部署应用带来了不小挑战, ...
Tensorflow模型优化端侧部署 tflite 量化稀疏 quantization sparsity
Tensorflow模型优化文章目录 Tensorflow模型优化为什么要模型优化端侧部署模型优化方式 Quantization 工具包支持 32 bit float ->16 bit ...
基于SpringBoot的车牌识别系统（附源码和环境部署文档）
若依是一套全部开源的快速开发平台,毫无保留给个人及企业免费使用. 前端采用Vue.Element UI. 后端采用Spring Boot.Spring Security.Redis & Jwt ...
深度学习模型在移动端的部署
简介自从 AlphaGo 出现以来,机器学习无疑是当今最火热的话题,而深度学习也成了机器学习领域内的热点,现在人工智能.大数据更是越来越贴近我们的日常生活,越来越多的人工智能应用开始在移植到移动端上 ...
「自然语言处理（NLP）论文解读」中文命名实体识别（Lattice-LSTM模型优化）
来源:AINLPer微信公众号编辑: ShuYini 校稿: ShuYini 时间: 2019-8-27 引言今天主要和大家分享一篇关于中文命名实体识别的文章,本文分析Lattice-LS ...
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 ...
NVIDIA中文车牌识别系列-1” 在Jetson上用DeepStream识别中文车牌
前言这是NVIDIA在2021年初公布的一个开源项目,用NVIDA Jetson设备上的DeepStream视频分析套件实现"车牌识别"的功能,这是个实用性非常高的应用,能应用在 ...
车牌识别算法_PC端车牌识别SDK融入好算法
PC端车牌识别SDK介绍易泊PC端车牌识别SDK融合了车牌定位.车牌字符切分.车牌字符识别等算法,使该系统具有识别效率高.速度快.适应性强.使用方便等优势,技术处于国际先进水平.大力发展机器人.人工 ...
ios开发ocr识别_车牌识别技术
核心技术:移动车牌识别技术,ios车牌识别,车牌识别技术移动端,移动端车牌识别技术,手机端车牌识别,OCR车牌识别,手机端车牌识别移动端车牌识别OCR技术描述移动端车牌识别OCR技术是我公司开发的 ...

一站式完成车牌识别任务：从模型优化到端侧部署

基于PaddleOCR的轻量级车牌识别系统

一站式完成车牌识别任务：从模型优化到端侧部署相关推荐

最新文章

热门文章