YOLOv8/YOLOv7/YOLOv5+CRNN-车牌识别、车牌关键点定位、车牌检测(毕业设计)

目录

一、前言1、项目介绍2、图片测试效果展示 二、项目环境配置1、pytorch安装（gpu版本和cpu版本的安装)2、pycocotools的安装3、其他包的安装 三、yolov8/yolov7/yolov5+CRNN-中文车牌识别、车牌关键点定位、车牌检测算法1、yolov8算法介绍2、CRNN算法介绍3、算法流程设计4、代码使用 四、自己训练的步骤1、下载数据集2、修改路径3、开始训练 五、车牌识别、检测自建数据集六、训练曲线等介绍七、资源获取(yolov8/yolov7/yolov5版本均可提供)

一、前言

本项目通过yolov8/yolov7/yolov5+CRNN训练自己的数据集，实现了一个车牌识别、车牌关键点定位、车牌检测算法，可实现12种单双层车牌的字符识别：单行蓝牌、单行黄牌、新能源车牌、白色警用车牌、教练车牌、武警车牌、双层黄牌、双层白牌、使馆车牌、港澳粤Z牌、双层绿牌、民航车牌。
视频实时测试效果展示如下：
【准确度顶满！车牌识别、关键点定位-YOLOv8+CRNN(原创毕设)】 https://www.bilibili.com/video/BV1hc41117Ms/?spm_id_from=333.999.0.0&vd_source=8c532ded7c7c9041f04e35940d11fdae

【准确度顶满！车牌识别-YOLOv8+CRNN(原创毕设)】 https://www.bilibili.com/video/BV12c411U76h/?spm_id_from=333.999.0.0&vd_source=8c532ded7c7c9041f04e35940d11fdae

1、项目介绍

车牌识别技术通过图像处理和模式识别，能够自动识别车辆的车牌信息。其意义在于提高交通管理效率、强化治安监控、优化停车管理和促进智慧城市建设。车牌识别可以实现快速准确的车辆识别，帮助监测交通违法行为、追踪犯罪嫌疑车辆，提升交通流畅度和安全性。在停车场管理中，车牌识别技术可实现自动识别进出车辆，提高停车效率。综合运用于城市管理系统，车牌识别有助于建设更智能、安全、便捷的城市生活。本设计旨在开发一个能够及时、准确地识别车牌的算法，其主要目标包括：实时检测现实道路上的车辆并定位车牌四个角点位置；提供可靠的车牌字符识别结果。
我们的项目可为兄弟们的毕设、课设、大作业等提供参考，可训练自己的数据集，可以换成yolov8/yolov7/yolov5各种版本的权重。包含特别详细的read.md文件和常见问题解答，关于本项目的任何问题都能在其中找到答案，对刚接触深度学习、目标检测的小白非常友好，兄弟们放心哈。

2、图片测试效果展示

可以看到，我们实验室的项目能对图片、视频中出现的各类车牌字符进行有效识别，且准确率较高。

二、项目环境配置

不熟悉pycharm的anaconda的大兄弟请先看这篇csdn博客，了解pycharm和anaconda的基本操作。
https://blog.csdn.net/ECHOSON/article/details/117220445
anaconda安装完成之后请切换到国内的源来提高下载速度 ，命令如下：

conda config --remove-key channelsconda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/conda config --set show_channel_urls yespip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

首先创建python3.8的虚拟环境，请在命令行中执行下列操作：

conda create -n yolov8 python==3.8.5conda activate yolov8

1、pytorch安装（gpu版本和cpu版本的安装)

实际测试情况是yolov8/yolov7/yolov5在CPU和GPU的情况下均可使用，不过在CPU的条件下训练那个速度会令人发指，所以有条件的小伙伴一定要安装GPU版本的Pytorch，没有条件的小伙伴最好是租服务器来使用。GPU版本安装的具体步骤可以参考这篇文章：https://blog.csdn.net/ECHOSON/article/details/118420968。
需要注意以下几点：
1、安装之前一定要先更新你的显卡驱动，去官网下载对应型号的驱动安装
2、30系显卡只能使用cuda11的版本
3、一定要创建虚拟环境，这样的话各个深度学习框架之间不发生冲突
我这里创建的是python3.8的环境，安装的Pytorch的版本是1.8.0，命令如下：

conda install pytorch==1.8.0 torchvision torchaudio cudatoolkit=10.2 # 注意这条命令指定Pytorch的版本和cuda的版本conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cpuonly # CPU的小伙伴直接执行这条命令即可

安装完毕之后，我们来测试一下GPU是否可以有效调用：

2、pycocotools的安装

pip install pycocotools-windows

3、其他包的安装

另外的话大家还需要安装程序其他所需的包，包括opencv，matplotlib这些包，不过这些包的安装比较简单，直接通过pip指令执行即可，我们cd到yolov8/yolov7/yolov5代码的目录下，直接执行下列指令即可完成包的安装。

pip install -r requirements.txt

三、yolov8/yolov7/yolov5+CRNN-中文车牌识别、车牌关键点定位、车牌检测算法

1、yolov8算法介绍

yolov8是yolo系列的最新算法，检测效果优于之前的所有的yolo算法。这里，我们采用了ultralytics官方版本的yolov8来检测车牌。

在学习Yolov8之前，我们需要对Yolov8所做的工作有一定的了解，这有助于我们后面去了解网络的细节，Yolov8在预测方式上与之前的Yolo并没有多大的差别，依然分为三个部分：分别是Backbone，FPN以及Yolo Head。

Backbone是Yolov8的主干特征提取网络，输入的图片首先会在主干网络里面进行特征提取，提取到的特征可以被称作特征层，是输入图片的特征集合。在主干部分，我们获取了三个特征层进行下一步网络的构建，这三个特征层我称它为有效特征层。

FPN是Yolov8的加强特征提取网络，在主干部分获得的三个有效特征层会在这一部分进行特征融合，特征融合的目的是结合不同尺度的特征信息。在FPN部分，已经获得的有效特征层被用于继续提取特征。在YoloV8里依然使用到了Panet的结构，我们不仅会对特征进行上采样实现特征融合，还会对特征再次进行下采样实现特征融合。

Yolo Head是Yolov8的分类器与回归器，通过Backbone和FPN，我们已经可以获得三个加强过的有效特征层。每一个特征层都有宽、高和通道数，此时我们可以将特征图看作一个又一个特征点的集合，每个特征点作为先验点，而不再存在先验框，每一个先验点都有通道数个特征。Yolo Head实际上所做的工作就是对特征点进行判断，判断特征点上的先验框是否有物体与其对应。Yolov8所用的解耦头是分开的，也就是分类和回归不在一个1X1卷积里实现。

因此，整个Yolov8网络所作的工作依然就是 特征提取-特征加强-预测先验框对应的物体情况。

2、CRNN算法介绍

CRNN是“卷积递归神经网络”（Convolutional Recurrent Neural Network）的缩写。它是一种深度学习架构，结合了卷积神经网络（CNN）和循环神经网络（RNN）的优势，主要用于处理具有序列性和空间信息的数据，比如图像中的文字识别。

CRNN的结构包含了卷积层、循环层和连接层。首先，卷积层用于提取图像特征，将输入图像转换为高层次的抽象特征表示。这些特征捕获了文字在不同尺度和方向上的信息，使得模型对文字的变化和形态有较强的理解能力。

接着，循环层（通常采用长短时记忆网络，LSTM，或者门控循环单元，GRU）用于处理序列数据，它能够保留文字之间的上下文信息。这使得CRNN能够更好地理解文字之间的关系，并且有助于纠正识别错误。

最后，连接层用于将卷积层和循环层的输出结合起来，并通过全连接层进行最终的分类或识别。这个结构允许模型同时利用局部特征和全局上下文信息，提高了对文字的准确识别能力。

CRNN在文字识别领域取得了很大成功，特别是在场景文本识别（如自然场景中的文字识别）方面。它能够处理不同字体、大小、角度和背景的文字，并且对于不同语言的文字具有一定的通用性。

总的来说，CRNN作为结合了CNN和RNN的深度学习架构，具有处理序列数据和空间信息的能力，特别适用于文字识别等领域，为处理具有结构性数据的任务提供了一种有效的解决方案。

3、算法流程设计

首先，通过卷积神经网络（CNN）提取输入图像的特征。然后，使用Anchor Boxes来生成候选区域，这些区域包含可能的目标边界框。通过对这些候选区域进行分类和定位回归，确定最终的目标边界框和其类别。YOLOv8采用多尺度特征融合，以捕捉不同尺度的信息，提高检测性能。此外，它使用自适应的Anchor Box来适应不同目标形状。整个过程通过端到端的训练来优化网络参数，实现高效、准确的车牌检测。YOLOv8检测到的车牌如图：

如上图所示，检测有可能定位不准，导致车牌周边图像也被包含在感兴趣区域内。另外，检测出来的车牌会存在一定倾角，不利于后续的车牌字符识别。因此，对车牌进行关键点回归定位。如图所示：

定位到车牌四个角点之后，使用数学图像处理中的透视变化技术对其进行矫正。透视变换原理详见http://t.csdnimg.cn/RcdKB，此处不再赘述。具体代码实现如下：

def four_point_transform(image, pts):                       #透视变换得到车牌小图    rect = order_points(pts)    (tl, tr, br, bl) = rect    widthA = np.sqrt(((br[0] - bl[0]) ** 2) + ((br[1] - bl[1]) ** 2))    widthB = np.sqrt(((tr[0] - tl[0]) ** 2) + ((tr[1] - tl[1]) ** 2))    maxWidth = max(int(widthA), int(widthB))    heightA = np.sqrt(((tr[0] - br[0]) ** 2) + ((tr[1] - br[1]) ** 2))    heightB = np.sqrt(((tl[0] - bl[0]) ** 2) + ((tl[1] - bl[1]) ** 2))    maxHeight = max(int(heightA), int(heightB))    dst = np.array([        [0, 0],        [maxWidth - 1, 0],        [maxWidth - 1, maxHeight - 1],        [0, maxHeight - 1]], dtype = "float32")    M = cv2.getPerspectiveTransform(rect, dst)    warped = cv2.warpPerspective(image, M, (maxWidth, maxHeight))    return warped

得到的矫正后车牌图像：

再将矫正后的车牌输入CRNN中进行字符识别，得到最终的字符识别效果，并在图像上以文本的形式输出。

    class_label= int(class_num)  #车牌的的类型0代表单牌，1代表双层车牌    roi_img = four_point_transform(img,landmarks_np)   #透视变换得到车牌小图    if class_label:        #判断是否是双层车牌，是双牌的话进行分割后然后拼接        roi_img=get_split_merge(roi_img)    plate_number ,plate_color= get_plate_result(roi_img,device,plate_rec_model)                 #对车牌小图进行识别,得到颜色和车牌号    for dan in danger:                                                           #只要出现‘危’或者‘险’就是危险品车牌        if dan in plate_number:            plate_number='危险品'    # cv2.imwrite("roi.jpg",roi_img)    result_dict['class_type']=class_type[class_label]    result_dict['rect']=rect                      #车牌roi区域    result_dict['landmarks']=landmarks_np.tolist() #车牌角点坐标    result_dict['plate_no']=plate_number   #车牌号    result_dict['roi_height']=roi_img.shape[0]  #车牌高度    result_dict['plate_color']=plate_color   #车牌颜色    result_dict['object_no']=class_label   #单双层 0单层 1双层    result_dict['score']=conf           #车牌区域检测得分    return result_dict

4、代码使用

直接执行项目中的Car_recognition.py即可。如下主函数中：“–detect_model”参数为检测模型的权重，“----rec_model”参数为车牌识别+车牌颜色识别模型的权重，“----image_path”参数为测试图片文件夹的路径，‘–img_size’代表输入模型进行推理的图像尺寸(理论上这个值越接近原始大小，车牌识别越准确，但推理帧率也会有一定程度下降)，’–output’为输出图像存放的文件夹名称或输出视频的名称，'–video’为输入视频的路径。要实现视频推理，在“–video”参数处设置视频路径即可。

if __name__ == '__main__':    parser = argparse.ArgumentParser()    parser.add_argument('--detect_model', nargs='+', type=str, default='weights/detect.pt', help='model.pt path(s)')  #检测模型    parser.add_argument('--rec_model', type=str, default='weights/plate_rec_color.pth', help='model.pt path(s)')#车牌识别+车牌颜色识别模型    parser.add_argument('--car_rec_model',type=str,default='weights/car_rec_color.pth',help='car_rec_model') #车辆识别模型    parser.add_argument('--image_path', type=str, default='test', help='source')    parser.add_argument('--img_size', type=int, default=1080, help='inference size (pixels)')    parser.add_argument('--output', type=str, default='result', help='source')    parser.add_argument('--video', type=str, default='test/test.mp4', help='source')    device = torch.device("cuda" if torch.cuda.is_available() else "cpu")

四、自己训练的步骤

对于兄弟们的毕设、课设项目来说，没有必要再重新训练一遍。一方面耗时费力，自己的电脑也不一定跑的动；另一方面我这边会提供所有的训练过程曲线、数据、和训练好的权重，直接调用就行。

1、下载数据集

数据是从CCPD和CRPD数据集中选取并转换的，为yolo格式：

label x y w h  pt1x pt1y pt2x pt2y pt3x pt3y pt4x pt4y

关键点依次是（左上、右上、右下、左下）。坐标都是经过归一化，x、y是中心点除以图片宽高，w、h是框的宽高除以图片宽高，ptx、pty是关键点坐标除以宽高。车辆标注不需要关键点，关键点全部置为-1即可。

2、修改路径

换成自己的数据集路径。

   train: /your/train/path #修改成你的路径   val: /your/val/path     #修改成你的路径   # number of classes   nc: 3                #这里用的是3分类，0 单层车牌 1 双层车牌 2 车辆   # class names   names: [ 'single_plate','double_plate','Car'] 

3、开始训练

python3 train.py --data data/plateAndCar.yaml --cfg models/yolov5n-0.5.yaml --weights weights/detect.pt --epoch 250

五、车牌识别、检测自建数据集

我们实验室手动收集、整理了一个高质量的车牌识别、检测数据集，包含41892张车辆车牌图片和对应的txt格式标签。已将其划分为训练集、测试集。本数据集可直接用于训练yolo系列等神经网络，可提供给兄弟们的毕设、课设项目及企业课题进行使用。数据集展示如下：

六、训练曲线等介绍

我们的项目代码还能自动生成训练过程的loss损失曲线、map平均准确度曲线，不用手动画（太麻烦了，能用代码做的事尽量不手动），兄弟可以直接将这些图插入论文或课设报告中。当然，也可以自己训练，重新生成对应的图。训练结束后，这些图和训练数据会(以envents文件形式)存放在根目录下的runs文件夹中。我项目中已导出为PNG图片和CSV表格，可以直接拿去用。

包含完整word版本说明文档，可用于写论文、课设报告的参考。

七、资源获取(yolov8/yolov7/yolov5版本均可提供)

yolov8/yolov7/yolov5车牌识别、定位、检测系统的实现和训练、数据的整理耗费了我们实验室大量的时间和精力。所以有偿提供使用，感谢兄弟们理解。有需要的兄弟可通过以下方式获取资源。我们的代码有详细注释，包全程指导，任何问题都可以随时问我。不过有的时候我太忙，可能不会及时回复消息，看到了肯定回你哈。

获取整套代码、测试图片视频、车牌识别数据集、训练好的权重和说明文档(有偿)上交在读博士，技术够硬，也可以指导深度学习毕设、大作业等。--------------qq---------------------           3582584734-------------------------------------