超赞的学习笔记——《Python深度学习7：车牌检测》

续写序列Python深度学习，想了解更多可点击上篇超赞的学习笔记——《Python深度学习6：预测顾客是否流失》_wpgddt的博客-CSDN博客

►前言

现在许多停车场使用车牌识别系统，停车时需要先使用摄像头拍摄图像，透过AI检测车牌再进行识别，本篇博客介绍如何训练车牌检测模型。

►代码讲解

在Kaggle网站内搜寻Car License Plate Detection并下载，解压缩文件夹，更改名称为“CarLicensePlateDetection”，将文件夹上传至Google云端硬盘，开启Colab并设定为GPU执行，连接Google云段硬盘。

先建立训练文件夹，代码如下：

import numpy as np

import pandas as pd

import os

import numpy

os.mkdir（“/content/plate_train_data”）

os.mkdir（“/content/plate_train_data/images”）

os.mkdir（“/content/plate_train_data/labels”）

os.mkdir（“/content/plate_train_data/images/train”）

os.mkdir（“/content/plate_train_data/images/val”）

os.mkdir（“/content/plate_train_data/labels/train”）

os.mkdir（“/content/plate_train_data/labels/val”）

将xml文件转换为txt文件，因为Yolo需要使用归一化边界框的txt文件，格式为「class id，x，y，width，height」，数据呈现如下：

0 0.39375 0.34615384615384615 0.0975 0.05263157894736842

0 0.64375 0.35020242914979755 0.0625 0.06072874493927125

转换代码如下：

import xml.etree.ElementTree as ET

from xml.dom.minidom import parse

path =“/content/drive/MyDrive/AI/dataset/CarLicensePlateDetection/annotations”

classes = {“licence”：0}

for annotations in os.listdir（path）：

dom = parse（os.path.join（path，annotations））

root = dom.documentElement

filename =“.txt”.join（root.getElementsByTagName（“filename”）[0].childNodes[0].data.split（“.png”））

image_width = root.getElementsByTagName（“width”）[0].childNodes[0].data

image_height = root.getElementsByTagName（“height”）[0].childNodes[0].data

with open（“/content/plate_train_data/labels/train/”+filename，“w”）as r:

for items in root.getElementsByTagName（“object”）：

name = items.getElementsByTagName（“name”）[0].childNodes[0].data

xmin = items.getElementsByTagName（“xmin”）[0].childNodes[0].data

ymin = items.getElementsByTagName（“ymin”）[0].childNodes[0].data

xmax = items.getElementsByTagName（“xmax”）[0].childNodes[0].data

ymax = items.getElementsByTagName（“ymax”）[0].childNodes[0].data

x_center_norm =（（int（xmin）+int（xmax））/ 2）/ int（image_width）

y_center_norm =（（int（ymin）+int（ymax））/2）/ int（image_height）

width_norm =（（int（xmax）-int（xmin））/int（image_width））

height_norm =（（int（ymax）-int（ymin））/int（image_height））

r.write（str（classes[name]）+“”）

r.write（str（x_center_norm）+“”）

r.write（str（y_center_norm）+“”）

r.write（str（width_norm）+“”）

r.write（str（height_norm）+“\n”）

复制CarLicensePlateDetection内的image至plate_train_data/images/train

import shutil

path =“/content/drive/MyDrive/AI/dataset/CarLicensePlateDetection/images”

for images in os.listdir（path）：

image_path = os.path.join（path，images）

shutil.copy（image_path，“/content/plate_train_data/images/train/”+images）

将训练数据集随机数分割120至验证数据集内

from random import shuffle

from glob import glob

import random

import shutil

random.seed（42）

files = glob（“/content/plate_train_data/images/train/*.png”）

shuffle（files）

txt_train_path =“/content/plate_train_data/labels/train/”

img_train_path =“/content/plate_train_data/images/train/”

txt_val_path =“/content/plate_train_data/labels/val/”

img_val_path =“/content/plate_train_data/images/val/”

for i in files[：120]：

filename = i.split（“/”）[-1]

shutil.move（txt_train_path+filename.replace（“.png”，“.txt”），\

txt_val_path+filename.replace（“.png”，“.txt”））

shutil.move（img_train_path+filename，img_val_path+filename）

建立yaml档案，train后面为train数据集位置

%cd /content

！echo“train: /content/plate_train_data/images/train”> licence.yaml

！echo“val: /content/plate_train_data/images/val”>> licence.yaml

！echo“nc：1”>> licence.yaml

！echo“names: ['licence']”>> licence.yaml

下载Yolov5，并安装相关套件

%cd /content/

%rm -rf yolov5

！git clonehttps://github.com/ultralytics/yolov5

%cd yolov5

！pip install -r requirements.txt

开始训练

--img为图象大小

--batch批次量

--epochs循环几次

--data训练数据的yaml档案

训练指令如下：

！python train.py --weights yolov5s.pt --cfg models/yolov5s.yaml --img 416 --batch 48 --epochs 40 --data /content/licence.yaml --cache

P（Precision）为正确数/预测总数

R（Recall）为预测正确数/真实总数

mAP（mean Average Precision）：每个类的AP值的平均数，mAP越高，推论准确度越好。

mAP50-95表示在不同区段IoU阔值，从0.5~0.95，间隔0.05

训练完成后显示推论结果

from IPython.display import Image

Image（'/content/yolov5/runs/train/exp/val_batch0_labels.jpg'）

►小结

以上流程是使用Yolov5训练车牌检测的流程，当检测出车牌就可以裁切进行文字OCR，让客户缴费时输入自己的车牌，点选自己的车子照片进行缴费，之后有空再来整理发文。

►参考资料

Car License Plate Detection