数据实验楼 | 车牌智能检测与识别项目上线！

数据实验楼车牌智能检测与识别项目正式发布，欢迎大家体验！为支持广大院校的大数据和人工智能实训教学，需要使用平台的老师请尽快与我们联系，便于我们提前准备云服务器等资源。联系电话和微信：136-9329-0406

http://idatacoding.cn/

重要提示

数据实验楼面向全国高校师生提供服务，如未加入所在院校，请先加入院校方可获得服务。

加入院校方法如下：

如果没有院校码，请在线申请。方法如下：

点击菜单栏“申请院校码”，在弹框里填写信息。

信息填写完整后提交。

车牌智能检测与识别项目

实训目标

本项目使用Chinese City Parking Dataset 2020（CCPD2020）数据集构建车牌检测与识别模型。其中车牌检测和车牌识别是两个不同的模型，首先训练一个目标检测模型用于定位车牌，然后根据预测结果从原图中裁剪出车牌，送入二阶段模型。二阶段模型是一个端到端的光学字符识别（OCR）模型，用于识别出车牌图像上的车牌号。

通过本项目的练习，可以了解时下最新的目标检测模型YOLO v8的使用和微调以及兼顾效果和性能的车牌识别模型LPRNet模型的构建方法，同时还可以掌握一些深度学习模型的优化技巧，例如设置学习率衰减，Xaiver参数初始化和嵌入全局上下文特征等。

实践工具

Pillow;Ultralytics;Pytorch

推荐实训课时：16

前置知识检测

项目介绍

本项目使用的数据集是CCPD2020，其包含不同亮度，不同倾斜角度，不同天气环境下的新能源车牌，共11766张图片。本项目共三个章节，涉及两个阶段。

第一章中，我们首先需要了解CCPD2020数据集的标注形式，然后从中提取出边界框（bounding box），边界框是第一阶段车牌检测模型的主要标签信息，最后将边界框信息转换为YOLO格式，完成数据集的整合，为下一步训练车牌检测模型作准备。

第二章中，我们将使用时下最新的YOLO v8模型来构建车牌检测模型，首先是了解YOLO v8模型的基本使用，再编写yaml文件用于配置训练时所需要的数据集信息，然后在预训练的模型上进行微调并展示模型的预测结果，最后利用模型预测出的结果裁剪出车牌图像用于二阶段的车牌识别模型。

在第三章中，我们首先构建车牌识别的数据集和数据迭代器，再构建二阶段的LPRNet模型的基础结构和骨干网络，然后设置一些训练时的优化技巧，最后训练LPRNet模型并进行评估。

项目流程

实训任务示例