YOLOv5/YOLOv8和LPRNet的车牌识别系统

夜思、晨

已于 2025-04-10 13:55:35 修改

阅读量2.2k

点赞数 8

文章标签： YOLO 人工智能计算机视觉 python

于 2024-04-25 01:46:53 首次发布

本文链接：https://blog.csdn.net/weixin_64338148/article/details/138173597

版权

本文介绍了YOLOv5/YOLOv8作为目标检测算法在车牌识别中的应用，以及LPRNet的车牌字符识别能力。通过实例展示了如何将两者结合实现车牌检测与识别，并详细讲解了数据集制作和模型训练的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

YOLOv5 /YOLOv8和 LPRNet：车牌识别系统

随着计算机视觉技术的不断进步，车牌识别技术正变得越来越普遍和重要。在这个领域，YOLO和 LPRNet 是两个备受关注的开源项目，它们为车牌识别带来了新的突破。笔者将会介绍相关功能代码以及自己做的车牌识别系统项目。

YOLO：下一代目标检测算法

YOLO（You Only Look Once）是一种流行的实时目标检测算法，它以其高效的检测速度和准确性而闻名。在之前YOLO 版本的基础YOLOv5/YOLOv8 引入了新的功能和优化，使其成为广泛应用中各种物体检测任务的理想选择。

# YOLOv5 示例代码
import cv2
import yolov5
import numpy as np

model = yolov5.load("path/to/your/yolov5_license.pt")
frame = cv2.imread('path/to/your/license.png')
results = model(frame)
predictions = results.pred[0]
for r in predictions:
    x_min, y_min, x_max, y_max = map(int, r[:4])
    cv2.rectangle(frame, (int(x_min), int(y_min)), (int(x_max), int(y_max)), (0, 0, 255), 3)
cv2.imshow('detecting', frame)
cv2.waitKey(0)
cv2.destroyAllWindows()

LPRNet：高效的车牌识别网络

LPRNet 是一种专门设计用于车牌识别的深度学习网络，它能够准确地检测并识别车牌中的字符。与传统的基于模板匹配的方法相比，LPRNet 在复杂场景下表现更加稳定和可靠。

# LPRNet 示例代码
import torch
from data.load_data import CHARS
from model.LPRNet import build_lprnet

lpr_max_len = 8
dropout_rate = 0
phase_train = False
pretrained_model = "./weights/Final_LPRNet_model.pth"
lprnet = build_lprnet(lpr_max_len=lpr_max_len, phase=phase_train, class_num=len(CHARS), 
                                   dropout_rate=dropout_rate)
state_dict = torch.load(pretrained_model, map_location=torch.device("cpu"))
print(lprnet)

YOLOv5 和 LPRNet 在车牌识别中的应用

将 YOLOv5 /YOLOv8和 LPRNet 结合起来，可以构建一个完整的车牌检测与识别系统。首先，利用 YOLOv5/YOLOv8 对图像中的车辆进行检测，然后将检测到的车牌区域输入到 LPRNet 中进行字符识别，最终实现对车牌的准确识别。

# YOLOv5 和 LPRNet 结合示例代码
for r in detection_results.xyxy[0]:
    # 获取检测框坐标
    x_min, y_min, x_max, y_max = map(int, r[:4])
    # 提取车牌图像
    # plate_img = frame[y_min:y_max, x_min:x_max]
    plate_number = self.recognize_plate_single_image(self.lprnet, frame, r[:4].squeeze())
    # 在原图上绘制检测框
    cv2.rectangle(frame, (int(x_min), int(y_min)), (int(x_max), int(y_max)), (0, 0, 255), 3)

这种组合应用不仅可以应用于交通管理、智能停车等领域，还可以扩展到安防监控、智慧城市等更广泛的应用场景中。

制作LPRNet数据集（YOLO标签）

import cv2
import os
from PIL import Image

# 图像文件夹路径
image_folder_path = r'D:\YOLO_LPRNet\datasets\train\images'  

# 标签文件夹路径
label_folder_path = r'D:\YOLO_LPRNet\datasets\train\labels'  

# LPRNet数据集保存路径
lprnet_data_path = r'D:\YOLO_LPRNet\LPRNet_data\train'

# 遍历图像文件夹
for image_filename in os.listdir(image_folder_path):
    # 构建标签文件名
    label_filename = os.path.splitext(image_filename)[0] + '.txt'
    label_filepath = os.path.join(label_folder_path, label_filename)
    
    # 读取图像
    image_filepath = os.path.join(image_folder_path, image_filename)
    image = cv2.imread(image_filepath)
    
    # 读取标签
    with open(label_filepath, 'r') as label_file:
        label_content = label_file.readline().strip().split()
    
    # 提取车牌区域坐标
    x_center = float(label_content[1])
    y_center = float(label_content[2])
    width = float(label_content[3])
    height = float(label_content[4])
    
    # 计算边界框左上角和右下角坐标
    image_height, image_width, _ = image.shape
    xmin = int((x_center - width / 2) * image_width)
    xmax = int((x_center + width / 2) * image_width)
    ymin = int((y_center - height / 2) * image_height)
    ymax = int((y_center + height / 2) * image_height)
    
    # 裁剪车牌区域
    plate_region = image[ymin:ymax, xmin:xmax]
    
    # 将图像从 BGR 格式转换为 RGB 格式
    plate_rgb = cv2.cvtColor(plate_region, cv2.COLOR_BGR2RGB)
    
    # 调整车牌尺寸
    plate_image = Image.fromarray(plate_rgb)
    plate_image = plate_image.resize((94, 24), Image.LANCZOS)
    
    # 保存裁剪后的车牌区域
    save_filename = os.path.splitext(image_filename)[0] + '_plate.jpg'
    save_filepath = os.path.join(lprnet_data_path, save_filename)
    plate_image.save(save_filepath)

print("LPRNet数据集制作完成。")

训练LPRNet模型过程（demo）

在这里插入图片描述

附训练LPRNet模型例子：
百度网盘链接

链接：https://pan.baidu.com/s/1PUmFHQ9aGrmPgial5VlPfg?pwd=1234 
提取码：1234

车牌识别系统项目

面包多：https://mbd.pub/o/bread/ZpWTlpZx
闲鱼用户：欧阳孤云（头像为🐶）
功能：支持图片，本地视频，摄像头车牌识别检测
源码包含YOLO车牌数据集和训练好的YOLOv5和YOLOv8车牌模型
哔哩哔哩展示

运行说明

创建虚拟环境

python -m venv venv

激活虚拟环境

activate ./venv/Scripts/activate

或者

./venv/Scripts/activate

如果遇到报错，执行以下指令，然后输入1回车，即可激活虚拟环境

Set-ExecutionPolicy RemoteSigned
Set-ExecutionPolicy -Scope CurrentUser

环境安装

pip install yolov5==7.0.13 imutils==0.5.4 -i https://pypi.mirrors.ustc.edu.cn/simple/

运行程序

python UI.py

结语

YOLOv5 /YOLOv8和 LPRNet 代表了目标检测和车牌识别领域的最新进展，它们的出现为开发者提供了强大的工具和技术支持。随着深度学习技术的不断发展，我们有理由相信，车牌识别技术将会在更多领域展现出强大的应用价值。

如果你对这个项目感兴趣，不妨亲自动手尝试一下，也许你会发现更多有趣的应用和发现！

参考

https://github.com/sirius-ai/LPRNet_Pytorch
https://github.com/ultralytics/ultralytics