【开源】轻松实现车牌检测与辨认：yolov8+paddleocr【python源码+数据集】

《博主简介》

   小搭档们好，我是阿旭。专注于人工智能、AIGC、python、盘算机视觉相干分享研究。
✌更多学习资源，可关注公-仲-hao:【阿旭算法与呆板学习】，共同砚习交换~
👍感谢小搭档们点赞、关注！
  

《------往期经典保举------》

一、AI应用软件开辟实战专栏【链接】
项目名称项目名称1.【人脸辨认与管理体系开辟】2.【车牌辨认与自动收费管理体系开辟】3.【手势辨认体系开辟】4.【人脸面部活体检测体系开辟】5.【图片风格快速迁移软件开辟】6.【人脸表心情辨认体系】7.【YOLOv8多目的辨认与自动标注软件开辟】8.【基于YOLOv8深度学习的行人跌倒检测体系】9.【基于YOLOv8深度学习的PCB板缺陷检测体系】10.【基于YOLOv8深度学习的生存垃圾分类目的检测体系】11.【基于YOLOv8深度学习的安全帽目的检测体系】12.【基于YOLOv8深度学习的120种犬类检测与辨认体系】13.【基于YOLOv8深度学习的路面坑洞检测体系】14.【基于YOLOv8深度学习的火焰烟雾检测体系】15.【基于YOLOv8深度学习的钢材外貌缺陷检测体系】16.【基于YOLOv8深度学习的舰船目的分类检测体系】17.【基于YOLOv8深度学习的西红柿成熟度检测体系】18.【基于YOLOv8深度学习的血细胞检测与计数体系】19.【基于YOLOv8深度学习的吸烟/吸烟运动检测体系】20.【基于YOLOv8深度学习的水稻害虫检测与辨认体系】21.【基于YOLOv8深度学习的高精度车辆行人检测与计数体系】22.【基于YOLOv8深度学习的路面标记线检测与辨认体系】22.【基于YOLOv8深度学习的智能小麦害虫检测辨认体系】23.【基于YOLOv8深度学习的智能玉米害虫检测辨认体系】24.【基于YOLOv8深度学习的200种鸟类智能检测与辨认体系】25.【基于YOLOv8深度学习的45种交通标记智能检测与辨认体系】26.【基于YOLOv8深度学习的人脸面部心情辨认体系】二、呆板学习实战专栏【链接】，已更新31期，欢迎关注，一连更新中~~
三、深度学习【Pytorch】专栏【链接】
四、【Stable Diffusion绘画系列】专栏【链接】

《------正文------》

实现效果

点击跳转至文末《完备相干文件及源码》免费获取

---

媒介

车牌辨认在我们实际生存中非经常见，本文重要先容一种基于YOLOv8目的检测与PaddleOcr举行车牌辨认的实现方法。本文提供了完备的数据集和代码，完全免费,供小搭档们学习参考。感爱好的小搭档们学习参考。
要举行车牌辨认，重要分为两步。
第一步：举行车辆车牌位置的检测，本文是使用yolov8训练一个车牌检测模子来举行车牌检测，精度为0.99；
第二步：对第一步检测出的车牌举行辨认，直接使用的是PaddleOCR对于车牌举行辨认。
下面对这些内容举行具体先容
1.第一步：车牌检测

本文重要基于yolov8训练了一个车牌检测模子，用于举行车牌位置的检测，重要步调如下：
1.1 yolov8环境设置

   pip install ultralytics -i https://pypi.tuna.tsinghua.edu.cn/simple
  yolov8源码地点：https://github.com/ultralytics/ultralytics
1.2 数据集预备与处置惩罚

本文训练模子使用的数据集为CPDD2020数据集。
数据集下载地点：https://github.com/detectRecog/CCPD
CCPD是一个大型的、多样化的、颠末细致标注的中国都会车牌开源数据集。CCPD数据集重要分为CCPD2019数据集和CCPD2020(CCPD-Green)数据集。CCPD2019数据集车牌范例仅有寻常车牌(蓝色车牌)，CCPD2020数据集车牌范例仅有新能源车牌(绿色车牌)。
在CCPD数据会合，每张图片仅包罗一张车牌，车牌的车牌省份重要为皖。CCPD中的每幅图像都包罗大量的标注信息，但是CCPD数据集没有专门的标注文件，每张图像的文件名就是该图像对应的数据标注。
标注最困难的部分是表明四个极点的位置。为了完成这项使命，数据发布者起首在10k图像上手动标记四个极点的位置。然后计划了一个基于深度学习的检测模子，在对该网络举行良好训练后，对每幅图像的四个极点位置举行自动标注。末了，数据发布者雇用了7名兼职工人在两周内改正这些标注。CCPD提供了高出250k个独特的车牌图像和具体的表明。每张图像的分辨率为720(宽度)× 1160(高)× 3(通道)。实际上，这种分辨率足以包管每张图像中的车牌清楚可辨，但是该数据有些图片标注大概禁绝。不外总的来说CCPD数据集非常保举研究车牌辨认算法的职员学习使用。
CPDD2020数据集一共包罗11774张新能源汽车的车牌数据。部分图片如下：

数据会合图片的定名规则如下：
图片定名：“025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg”
表明：

1. 1. 025：车牌区域占整个画面的比例；
2. 2. 95_113： 车牌水平和垂直角度, 水平95°, 竖直113°
3. 3. 154&383_386&473：标注框左上、右下坐标，左上(154, 383), 右下(386, 473)
4. 4. 86&473_177&454_154&383_363&402：标注框四个角点坐标，顺序为右下、左下、左上、右上
5. 5. 0_0_22_27_27_33_16：车牌号码映射关系如下: 第一个0为省份 对应省份字典provinces中的’皖’,；第二个0是该车所在地的地市一级代码，对应地市一级代码字典alphabets的’A’；后5位为字母和文字, 查看车牌号ads字典，如22为Y，27为3，33为9，16为S，最终车牌号码为皖AY339S

复制代码

省份：[“皖”, “沪”, “津”, “渝”, “冀”, “晋”, “蒙”, “辽”, “吉”, “黑”, “苏”, “浙”, “京”, “闽”, “赣”,
“鲁”, “豫”, “鄂”, “湘”, “粤”, “桂”, “琼”, “川”, “贵”, “云”, “藏”, “陕”, “甘”, “青”, “宁”,
“新”]
地市：[‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’, ‘Q’,
‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’,‘X’, ‘Y’, ‘Z’]
车牌字典：[‘A’, ‘B’, ‘C’, ‘D’, ‘E’, ‘F’, ‘G’, ‘H’, ‘J’, ‘K’, ‘L’, ‘M’, ‘N’, ‘P’,
‘Q’, ‘R’, ‘S’, ‘T’, ‘U’, ‘V’, ‘W’, ‘X’,‘Y’, ‘Z’, ‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’,
‘6’, ‘7’, ‘8’, ‘9’]
制作车牌检测数据集：
这个数据集的检测和辨认标签都在图片名中，可以直接通过上述图片的定名规则，从图片读取出来，再写入txt文件中即可。代码如下：

1. import shutil
2. import cv2
3. import os
5. def txt_translate(path, txt_path):
6.     print(path)
7.     print(txt_path)
8.     for filename in os.listdir(path):
9.         # print(filename)
11.         list1 = filename.split("-", 3)  # 第一次分割，以减号'-'做分割
12.         subname = list1[2]
13.         list2 = filename.split(".", 1)
14.         subname1 = list2[1]
15.         if subname1 == 'txt':
16.             continue
17.         lt, rb = subname.split("_", 1)  # 第二次分割，以下划线'_'做分割
18.         lx, ly = lt.split("&", 1)
19.         rx, ry = rb.split("&", 1)
20.         width = int(rx) - int(lx)
21.         height = int(ry) - int(ly)  # bounding box的宽和高
22.         cx = float(lx) + width / 2
23.         cy = float(ly) + height / 2  # bounding box中心点
25.         img = cv2.imread(path + filename)
26.         if img is None:  # 自动删除失效图片（下载过程有的图片会存在无法读取的情况）
27.             print(path + filename)
28.             os.remove(path + filename)
29.             continue
30.         width = width / img.shape[1]
31.         height = height / img.shape[0]
32.         cx = cx / img.shape[1]
33.         cy = cy / img.shape[0]
35.         txtname = filename.split(".", 1)
36.         txtfile = txt_path + txtname[0] + ".txt"
37.         # 绿牌是第0类，蓝牌是第1类
38.         with open(txtfile, "w") as f:
39.             f.write(str(0) + " " + str(cx) + " " + str(cy) + " " + str(width) + " " + str(height))
42. if __name__ == '__main__':
43.     # det图片存储地址
44.     trainDir = r"G:/datasets/CarPlateData/CCPD2020/ccpd_green/train/"
45.     validDir = r"G:/datasets/CarPlateData/CCPD2020/ccpd_green/val/"
46.     testDir = r"G:/datasets/CarPlateData/CCPD2020/ccpd_green/test/"
47.     # det txt存储地址
48.     train_txt_path = r"G:/datasets/CarPlateData/CCPD2020/ccpd_green/train_labels/"
49.     val_txt_path = r"G:/datasets/CarPlateData/CCPD2020/ccpd_green/val_labels/"
50.     test_txt_path = r"G:/datasets/CarPlateData/CCPD2020/ccpd_green/test_labels/"
51.     txt_translate(trainDir, train_txt_path)
52.     txt_translate(validDir, val_txt_path)
53.     txt_translate(testDir, test_txt_path)

复制代码

制作完成后，如上图所示。
1.3 目的检测模子训练

图片数据集的存放格式如下，在项目目次中新建datasets目次，同时将分类的图片分为训练集和验证集放入Data目次下。

数据预备完成后，通过调用train.py文件举行模子训练，epochs参数用于调解训练的轮数，batch参数用于调解训练的批次巨细【根据内存巨细调解，最小为1】，代码如下：

1. #coding:utf-8
2. from ultralytics import YOLO
3. # 加载预训练模型
4. model = YOLO("yolov8n.pt")
5. # Use the model
6. if __name__ == '__main__':
7.     # Use the model
8.     results = model.train(data='datasets/PlateData/data.yaml', epochs=300, batch=4)  # 训练模型
9.     # 将模型转为onnx格式
10.     # success = model.export(format='onnx')

复制代码

训练效果评估

在深度学习中，我们通常用丧失函数降落的曲线来观察模子训练的环境。YOLOv8在训练时重要包罗三个方面的丧失：定位丧失(box_loss)、分类丧失(cls_loss)和动态特性丧失（dfl_loss），在训练竣事后，可以在runs/目次下找到训练过程及效果文件，如下所示：

各丧失函数作用分析：
定位丧失box_loss：猜测框与标定框之间的偏差（GIoU），越小定位得越准；
分类丧失cls_loss：盘算锚框与对应的标定分类是否精确，越小分类得越准；
动态特性丧失（dfl_loss）：DFLLoss是一种用于回归猜测框与目的框之间隔断的丧失函数。在盘算丧失时，目的框须要缩放到特性图尺度，即除以相应的stride，并与猜测的边界框盘算Ciou Loss，同时与猜测的anchors中央点到各边的隔断盘算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过盘算DFLLoss可以更精确地调解猜测框的位置，进步目的检测的精确性。
本文训练效果如下：

我们通常用PR曲线来体现精确率和召回率的关系，本文训练效果的PR曲线如下。mAP体现Precision和Recall作为两轴作图后围成的面积，m体现匀称，@背面的数体现判断iou为正负样本的阈值。mAP@.5：体现阈值大于0.5的匀称mAP，可以看到本文模子目的检测的mAP@0.5匀称值为0.994，效果相称不错。

4. 检测效果辨认

模子训练完成后，我们可以得到一个最佳的训练效果模子best.pt文件，在runs/trian/weights目次下。我们可以使用该文件举行后续的推理检测。
图片检测代码如下：

1. #coding:utf-8
2. from ultralytics import YOLO
3. import cv2
4. # 所需加载的模型目录
5. path = 'models/best.pt'
6. # 需要检测的图片地址
7. img_path = "TestFiles/013671875-93_102-226&489_426&558-426&558_234&546_226&489_417&494-0_0_5_25_33_24_24_33-86-80.jpg"
10. # 加载预训练模型
11. # conf        0.25        object confidence threshold for detection
12. # iou        0.7        intersection over union (IoU) threshold for NMS
13. model = YOLO(path, task='detect')
14. # model = YOLO(path, task='detect',conf=0.5)
17. # 检测图片
18. results = model(img_path)
19. res = results[0].plot()
20. # res = cv2.resize(res,dsize=None,fx=0.3,fy=0.3,interpolation=cv2.INTER_LINEAR)
21. cv2.imshow("YOLOv8 Detection", res)
22. cv2.waitKey(0)

复制代码

实验上述代码后，会将实验的效果直接标注在图片上，效果如下：

可以发现，该模子可以或许很好的检测出车牌地区。下面我们须要对检测出的车牌举行辨认。
第二步：车牌辨认

本文的车牌辨认直接使用的是开源的PaddleOCR检测模子。地点：https://github.com/PaddlePaddle/PaddleOCR
环境设置

   pip install paddlepaddle2.5.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install paddleocr2.7.0.3 -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install shapely -i https://pypi.tuna.tsinghua.edu.cn/simple
  模子使用demo

1. from paddleocr import PaddleOCR, draw_ocr
2. # Paddleocr目前支持的多语言语种可以通过修改lang参数进行切换
3. # 例如`ch`, `en`, `fr`, `german`, `korean`, `japan`
4. cls_model_dir='paddleModels/whl/cls/ch_ppocr_mobile_v2.0_cls_infer'
5. rec_model_dir='paddleModels/whl/rec/ch/ch_PP-OCRv4_rec_infer'
6. ocr = PaddleOCR(use_angle_cls=True, lang="ch", det=False,cls_model_dir=cls_model_dir,rec_model_dir=rec_model_dir)  # need to run only once to download and load model into memory
7. img_path = '22.png'
8. result = ocr.ocr(img_path, cls=True)
10. license_name, conf = result[0][0][1]
11. if '·' in license_name:
12.     license_name = license_name.replace('·', '')
13. print(license_name,conf)

复制代码

加载ocr模子

1. # 加载ocr模型
2. cls_model_dir = 'paddleModels/whl/cls/ch_ppocr_mobile_v2.0_cls_infer'
3. rec_model_dir = 'paddleModels/whl/rec/ch/ch_PP-OCRv4_rec_infer'
4. ocr = PaddleOCR(use_angle_cls=False, lang="ch", det=False, cls_model_dir=cls_model_dir,rec_model_dir=rec_model_dir)

复制代码

获取车牌位置信息

1. # 所需加载的模型目录
2. path = 'models/best.pt'
3. # 加载预训练模型
4. # conf        0.25        object confidence threshold for detection
5. # iou        0.7        int.ersection over union (IoU) threshold for NMS
6. model = YOLO(path, task='detect')
7. # model = YOLO(path, task='detect',conf=0.5)
8. # 检测图片
9. results = model(img_path)[0]
10. # 车牌区域信息
11. location_list = results.boxes.xyxy.tolist()

复制代码

抠出上述车牌位置,并表现

1. if len(location_list) >= 1:
2.     location_list = [list(map(int, e)) for e in location_list]
3.     # 截取每个车牌区域的照片
4.     license_imgs = []
5.     for each in location_list:
6.         x1, y1, x2, y2 = each
7.         cropImg = now_img[y1:y2, x1:x2]
8.         license_imgs.append(cropImg)
9.         cv2.imshow('111',cropImg)
10.         cv2.waitKey(0)

复制代码

使用ocr举行车牌辨认

1. def get_license_result(ocr,image):
2.     """
3.     image:输入的车牌截取照片
4.     输出，车牌号与置信度
5.     """
6.     result = ocr.ocr(image, cls=True)[0]
7.     if result:
8.         license_name, conf = result[0][1]
9.         if '·' in license_name:
10.             license_name = license_name.replace('·', '')
11.         return license_name, conf
12.     else:
13.         return None, None
14. # 车牌识别结果
15. lisence_res = []
16. conf_list = []
17. for each in license_imgs:
18.     license_num, conf = get_license_result(ocr, each)
19.     if license_num:
20.         lisence_res.append(license_num)
21.         conf_list.append(conf)
22.     else:
23.         lisence_res.append('无法识别')
24.         conf_list.append(0)

复制代码

将辨认效果表现在图片上

1.     for text, box in zip(lisence_res, location_list):
2.         now_img = tools.drawRectBox(now_img, box, text, fontC)

复制代码

完备代码

1. #coding:utf-8from ultralytics import YOLOimport cv2import detect_tools as toolsfrom PIL import ImageFontfrom paddleocr import PaddleOCRdef get_license_result(ocr,image):    """    image:输入的车牌截取照片    输出，车牌号与置信度    """    result = ocr.ocr(image, cls=True)[0]    if result:        license_name, conf = result[0][1]        if '·' in license_name:            license_name = license_name.replace('·', '')        return license_name, conf    else:        return None, None# 须要检测的图片地点img_path = "TestFiles/013671875-93_102-226&489_426&558-426&558_234&546_226&489_417&494-0_0_5_25_33_24_24_33-86-80.jpg"now_img = tools.img_cvread(img_path)fontC = ImageFont.truetype("Font/platech.ttf", 50, 0)# 加载ocr模型
2. cls_model_dir = 'paddleModels/whl/cls/ch_ppocr_mobile_v2.0_cls_infer'
3. rec_model_dir = 'paddleModels/whl/rec/ch/ch_PP-OCRv4_rec_infer'
4. ocr = PaddleOCR(use_angle_cls=False, lang="ch", det=False, cls_model_dir=cls_model_dir,rec_model_dir=rec_model_dir)
5. # 所需加载的模子目次path = 'models/best.pt'# 加载预训练模子# conf        0.25        object confidence threshold for detection# iou        0.7        int.ersection over union (IoU) threshold for NMSmodel = YOLO(path, task='detect')# model = YOLO(path, task='detect',conf=0.5)# 检测图片results = model(img_path)[0]location_list = results.boxes.xyxy.tolist()if len(location_list) >= 1:
6.     location_list = [list(map(int, e)) for e in location_list]
7.     # 截取每个车牌区域的照片
8.     license_imgs = []
9.     for each in location_list:
10.         x1, y1, x2, y2 = each
11.         cropImg = now_img[y1:y2, x1:x2]
12.         license_imgs.append(cropImg)
13.         cv2.imshow('111',cropImg)
14.         cv2.waitKey(0)
15.     # 车牌辨认效果    lisence_res = []    conf_list = []    for each in license_imgs:        license_num, conf = get_license_result(ocr, each)        if license_num:            lisence_res.append(license_num)            conf_list.append(conf)        else:            lisence_res.append('无法辨认')            conf_list.append(0)    for text, box in zip(lisence_res, location_list):
16.         now_img = tools.drawRectBox(now_img, box, text, fontC)
17. now_img = cv2.resize(now_img,dsize=None,fx=0.5,fy=0.5,interpolation=cv2.INTER_LINEAR)cv2.imshow("YOLOv8 Detection", now_img)cv2.waitKey(0)

复制代码

视频车牌辨认

1. #coding:utf-8import cv2from ultralytics import YOLOimport detect_tools as toolsfrom PIL import ImageFontfrom paddleocr import PaddleOCRdef get_license_result(ocr,image):    """    image:输入的车牌截取照片    输出，车牌号与置信度    """    result = ocr.ocr(image, cls=True)[0]    if result:        license_name, conf = result[0][1]        if '·' in license_name:            license_name = license_name.replace('·', '')        return license_name, conf    else:        return None, NonefontC = ImageFont.truetype("Font/platech.ttf", 50, 0)# 加载ocr模型
2. cls_model_dir = 'paddleModels/whl/cls/ch_ppocr_mobile_v2.0_cls_infer'
3. rec_model_dir = 'paddleModels/whl/rec/ch/ch_PP-OCRv4_rec_infer'
4. ocr = PaddleOCR(use_angle_cls=False, lang="ch", det=False, cls_model_dir=cls_model_dir,rec_model_dir=rec_model_dir)
5. # 所需加载的模子目次path = 'models/best.pt'# 加载预训练模子# conf        0.25        object confidence threshold for detection# iou        0.7        intersection over union (IoU) threshold for NMSmodel = YOLO(path, task='detect')# 须要检测的图片地点video_path = "TestFiles/1.mp4"cap = cv2.VideoCapture(video_path)# Loop through the video frameswhile cap.isOpened():    # Read a frame from the video    success, frame = cap.read()    if success:        # Run YOLOv8 inference on the frame        results = model(frame)[0]        location_list = results.boxes.xyxy.tolist()        if len(location_list) >= 1:            location_list = [list(map(int, e)) for e in location_list]            # 截取每个车牌地区的照片            license_imgs = []            for each in location_list:                x1, y1, x2, y2 = each                cropImg = frame[y1:y2, x1:x2]                license_imgs.append(cropImg)            # 车牌辨认效果            lisence_res = []            conf_list = []            for each in license_imgs:                license_num, conf = get_license_result(ocr, each)                if license_num:                    lisence_res.append(license_num)                    conf_list.append(conf)                else:                    lisence_res.append('无法辨认')                    conf_list.append(0)            for text, box in zip(lisence_res, location_list):                frame = tools.drawRectBox(frame, box, text, fontC)        frame = cv2.resize(frame, dsize=None, fx=0.5, fy=0.5, interpolation=cv2.INTER_LINEAR)        cv2.imshow("YOLOv8 Detection", frame)        # Break the loop if 'q' is pressed        if cv2.waitKey(1) & 0xFF == ord("q"):            break    else:        # Break the loop if the end of the video is reached        break# Release the video capture object and close the display windowcap.release()cv2.destroyAllWindows()

复制代码

以上便是关于车牌检测与辨认的原理与代码先容。感爱好的小搭档可以自行实验。

---

【免费获取方式】

   关注下方手刺G-Z-H：【阿旭算法与呆板学习】，复兴【开源】即可获取下载方式
  本文涉及到的完备全部步调文件：包罗python源码、数据集、训练代码、测试图片视频等（见下图），获取方式见文末：

   关注下方手刺GZH:【阿旭算法与呆板学习】，复兴【开源】即可获取下载方式
  

---

关于本篇文章各人有任何发起或意见，欢迎在批评区留言交换！
   以为不错的小搭档，感谢点赞、关注加收藏哦！

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金