rasberry pi 5 -auto license plate recognition-Chinese（树莓派5车牌自动识别），环境搭建，yolo训练部署，大一从零开始个人学习全过程

本文将从最开始的环境搭建开始，其中会讲解一些涉及到的一些专业名字的概念及其作用（部分），详细介绍从搭建到训练再到部署及应用的个人学习全过程（2025年3月16日-2025年3月27日）。以下是本文目录：

一、学习过程中的问题

二、anaconda下载及环境搭建

三、部分库和yolov5下载及其依赖安装

四、yolov5数据集及训练

五、yolov5部署及Paddleocr联合应用车牌识别

一、学习过程中的问题

1、版本高于1.20.0的numpy不支持np.int类型，后续可能需要在相关python源文件中将np.int修改为int（只有几行代码）

2、python3.8之后不支持浮点型传参（常见问题）

3、torch的版本与是否支持cuda一定要注意选择

4、下载速度慢。在后面加上国内镜像源即可。如命令pip install numpy==1.23.5变为pip install numpy==1.23.5 -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：torch无法直接用国内镜像源下载，提高下载速度只需在后面加上代理即可，如clash代理下载torch：pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.2+cu118 --index-url https://download.pytorch.org/whl/cu118 --proxy=http://127.0.0.1:7890

这里的cu118指11.8版本的cuda（gpu加速驱动），并且下载了支持显卡加速的torch不需要额外去官网下载cuda和cudnn。--proxy=http://127.0.0.1:7890即为代理端口

5镜像源：

清华大学镜像源

https://pypi.tuna.tsinghua.edu.cn/simple
阿里云镜像源
https://mirrors.aliyun.com/pypi/simple
中国科技大学镜像源
https://pypi.mirrors.ustc.edu.cn/simple

二、Anaconda 下载及环境搭建

声明：这里所用的各个库版本都是基于我个人的笔记本（win10），与其他库兼容的。如须安装其他版本，须特别注意库与库间的兼容性！

注意：之后所有的操作都是在anaconda prompt中操作的，并且每次进入都会默认进入base环境，须手动启动自定义的虚拟环境（后续会对虚拟环境进行解释）。

1、官方下载地址：Download Now | Anaconda下载最新版即可（2025年3月最新版为python3.12）

2、（推荐）清华镜像源下载（注意甄别版本）：

Index of /anaconda/archive/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror

在anaconda的安装中注意勾选添加值环境变量选项，若忘记勾选，则手动添加即可（这里不做详细介绍）或卸载重新安装勾选。

下载安装完anaconda后打开anaconda prompt。此时是默认的base环境，输入conda create -n myenv python= 3.8 命令创建（只有anaconda的python版本更高才能创建更低版本的python环境）python版本为3.8的虚拟环境（虚拟环境是一种在计算机上创建的独立、隔离的工作环墼，其中可以安装不同版本的软件包和工具，而不会影响到主机系统或其他虚拟环境。个人理解：把它看做另一个系统，之后在这个虚拟环境里下载安装的所有库都会安装在这个系统（实际是一个文件夹）中，而不会安装到C盘或其他地方便于管理），按提示输入y后，环境创建成功。

这里的yolo_env2就是我给这个虚拟环境所取的名字。以后所有创建的虚拟环境都保存在anaconda的envs目录中，可在anaconda prompt中使用conda env list命令来查看虚拟环境列表

输入conda activate   yolo_env2激活我的myenv虚拟环境，此时命令输入行左边的（base）变为（yolo_env2）。

三、部分库和yolov5下载及其依赖安装

1、检查版本：

         输入python，进入python交互环境，使用python --version命令查看python版本，之后ctrl+z退出python交互环境。

2、安装opencv（除了torch，之后所有库都使用清华大学镜像源下载），使用pip install opencv-python -i https://pypi.tuna.tsinghua.edu.cn/simple,这样它会默认安装最新版的opencv，注意这里使用pip install opencv和pip install opencv-python是不一样的！前者会额外安装opencv-python-headless，这是无头版本，cv.imshow函数（用于生成窗口）将失效，后续项目主程序可能会受影响。这里我使用的是后者。后续在安装onnx，onnxruntime及paddleocr或easyocr时可能会自动安装无头版本。须更换为原来版本，解决办法会在后续说明。

2、安装numpy，1.23.5版本为稳定版（实际后续中安装paddleocr时自动更换为1.24.4，但也兼容），使用pip install numpy==1.23.5 -i https://pypi.tuna.tsinghua.edu.cn/simple命令。

3、下载安装torch，安装2.0.1+cu118版本，（如果你的电脑是NVIDIA显卡（英伟达，rtx系列）则支持cuda，需在NVIDIA设置中查看支持的cuda最高版本,作者的最高为12.2），2.6个g建议使用科学上网。使用命令pip install torch==2.0.1+cu118 torchvision==0.15.2+cu118 torchaudio==2.0.2+cu118 --index-url https://download.pytorch.org/whl/cu118 --proxy=http://127.0.0.1:7890下载安装

4、下载yolov5代码库，首先创建一个yoloproject文件夹用于存放yolov5代码库，使用命令cd  E:/yoloproject进入，若命令行左边仍未（base），输入E:命令切换，现在克隆代码库，若使用代理，直接用命令git clone https:/github.com/ultralytics/yolov5.git

下载，无代理也可用命令git clone https://gitclone.com/github.com/ultralytics/yolov5.git下载克隆，gitclone.com可为访问github.com加速。之后yolov5代码库路径因为E:/yoloproject/yolov5

5、安装yolov5依赖，使用cd E:/yoloproject/yolov5进入yolov5代码库所在文件夹，使用pip install -r requiremens.txt -i https://pypi.tuna.tsinghua.edu.cn/simple命令下载安装yolov5依赖，若你与作者目前所安装opencv，numpy，与torch版本一致，后续进入yolov5训练应不会出现问题（2025年3月）

以上可进入python环境吗，import torch 和import cv2 使用print（torch.__version__）,print(cv2.__version__)命令查看版本以及print(torch.cuda.is_avaliable())查看是否支持显卡加速

四、yolov5数据集及训练

   (1):  首先讲解yolov5数据集文件格式，在E:/yoloproject/yolov5文件夹中找到datasets，创建一个文件夹，这里创建名为lisence，在lisence中创建images和labels文件夹，在images中再创建两个文件夹train和val，labels文件夹中同理，其中images文件夹的train中放训练图片，val中放入验证图片，在labels文件夹中的train中放入与images/train文件夹中放入顺序一一对应的，每个图片对应一个的标注文件（为.txt的文本文件），labels/val文件夹同理放入验证图片的标注文件。

这里提供一个数据集网站Roboflow Universe: Computer Vision Datasets其中可以直接下载yolov5模板的图片及其标注文件。ccpd是一个专为车牌识别的数据集，也可以在这里下载detectRecog/CCPD: [ECCV 2018] CCPD: a diverse and well-annotated dataset for license plate detection and recognition (github.com)

数据集图片及标注文件放好后，在yolov5文件夹中找到data文件夹，在这里创建一个配置文件，我这里取名为lisence.yaml。（建议安装vscode，便于代码查看和编写）点开它，在这个python文件中输入

path: E:\yoloproject\yolov5\datasets\lisence
train: images/train
val: images/val
nc: 1
names: ['license']

path是你的数据集根目录，nc是类别，也就是你有多少个检测的对象，names则是对象名字，nc实际是一个数组，从0开始为第一个（标注文件中的第一个数字），名字按顺序一一对应。比如names: ['license'，'license2']

(2):训练yolov5：回到anaconda prompt，确保当前开启虚拟环境，并且在yolov5文件夹下，未在python交互环境，输入命令python -c "from utils.downloads import attempt_download; attempt_download('yolov5s.pt')"这里是下载yolov5s模型也就是small大小的yolov5模型，m为中等大小，l为large大小，x为最大，n为nano（最小），从小到大速度一次下降，精度一次提升。要下载其他大小将s改为其他即可。可同时下载多个大小的yolov5模型

训练画面：

下载完成之后输入命令python train.py --data data/lisence.yaml --weights yolov5s.pt --img 640 --batch 8 --epochs 170训练yolov5s，data/lisence.yaml是配置文件位置，batch为一次处理多少张图片（作者显卡为RTX4060，batch设置为5），epochs为一共训练多少轮，训练过程中可按ctrl+c暂停训练，假设产生的best.pt和last.pt保存在yolov5的runs/train/exp2/weights目录下

可继续使用python detect.py --weights runs/train/exp2/weights/best.pt --source data/images --img 640命令测试训练效果，data/images为你要测试的图片或视频所在的文件夹路径，也可直接改为0，用摄像头获取图像，测试的结果保存在yolov5/runs/detect目录下某个exp文件中。

在暂停后，若结果不理想。想继续训练，可使用python train.py --resume runs/train/exp/weights/best.pt --data data/your_dataset.yaml --epochs 200

注意修改exp，your_dataset.yaml与训练所用配置一致即可。这里的epochs需要注意，假设之前是训练170轮，并且在第90轮暂停，那么它将继续从第90轮开始训练，直至训练至200，期间可再次暂停，会自动更新原来的best.pt和last.pt。（如果电脑息屏或进入睡眠模式可能会自动暂停哦，最好离开之前将电脑的息屏和进入睡眠时间改为从不，回来时再改回来，也可用云端训练yolo这里不做详细讲解）

五、yolov5部署及Paddleocr联合应用车牌识别

  现在来部署yolov5，这里我使用onnx模型格式推理，首先在虚拟环境下使用pip install onnx -i https://pypi.tuna.tsinghua.edu.cn/simple命令和pip install onnxruntime -i https://pypi.tuna.tsinghua.edu.cn/simple命令安装onnx和onnxruntime（onnx用于将best.pt导出为onnx格式，onnxruntime用于后续加载onnx格式的yolov5模型），如果此时出现黄色的，和证书（SSH）相关的警告，说明你的代理没有关闭！这时需要使用pip list查看当前环境所安装的所有库及其版本，如果自动安装了opencv-python-headless则先使用pip uninstall opencv-python-headless卸载，再使用安装4.9版本的opencv-python（4.9版本的也兼容也可安装4.9后继续安装4.11版本，它会自动卸载更新）

导出的文件与best.pt在同一文件夹

之后下载安装paddleoc，用pip install paddleocr -i https://pypi.tuna.tsinghua.edu.cn/simple命令，若提示没有找到，则开启代理，如pip install paddleocr --proxy=http://127.0.0.1:7890。ocr是Optical Character Recognition的缩写，意为光学字符识别。也可用easyocr，用pip install easyocr -i https://pypi.tuna.tsinghua.edu.cn/simple下载即可。注意若使用tesserocr，可能会安装opencv-python-headless，按之前说明的处理办法即可解决。

最后便是车牌自动识别的算法，这里采用paddleocr，源码：

git--/success.py at main · fanqizen/git-- (github.com)

目前仍在持续更新中，后续会应用在rasberry pi 5上，如果很久没更新，那就是忘了。QAQ

效果图