智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》 |
您所在的位置：网站首页 › yolov5车辆检测 › 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》 |
智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》
|
智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》
目录 智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》 1. 前言 2. 车牌检测数据集说明 （1）车牌检测数据集 （2）自定义数据集 3. 基于YOLOv5的车牌检测模型训练 （1）YOLOv5安装 （2）准备Train和Test数据 （3）配置数据文件 （4）配置模型文件 （5）重新聚类Anchor（可选） （6）开始训练 （7）可视化训练过程 （8）常见的错误 4. Python版本车牌检测效果 5. Android版本车牌检测和识别效果 6.项目源码下载 1. 前言这是项目《智能驾驶 车牌检测和识别》系列之《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》；项目基于开源YOLOv5项目，实现一个高精度的车牌检测算法（ License Plates Detection）；目前，基于YOLOv5s的车牌检测精度平均值mAP_0.5=0.99972，mAP_0.5:0.95=0.75261。为了能部署在手机Android平台上，本人对YOLOv5s进行了简单的模型轻量化，并开发了一个轻量级的版本yolov5s05_416和yolov5s05_320模型；轻量化模型在普通Android手机上可以达到实时的检测效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。下表格给出轻量化模型的计算量和参数量以及其检测精度 模型input-sizeparams(M)GFLOPsmAP_0.5:0.95yolov5s640×6407.216.50.75261yolov5s05416×4161.71.80.74593yolov5s05320×3201.71.10.74341
先展示一下车牌检测效果：  
如果你需要车牌号识别，请参考《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》  
【 整套项目下载地址】：智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》 【尊重原创，转载请注明出处】https://blog.csdn.net/guyuealian/article/details/128704068 更多项目《智能驾驶 车牌检测和识别》系列文章请参考： 智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704068智能驾驶 车牌检测和识别（三）《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》：https://blog.csdn.net/guyuealian/article/details/128704209智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704242智能驾驶 车牌检测和识别（五）《C++实现车牌检测和识别（可实时车牌识别）》：https://blog.csdn.net/guyuealian/article/details/128704276智能驾驶 红绿灯检测（一）《红绿灯(交通信号灯)数据集》：https://blog.csdn.net/guyuealian/article/details/128222850智能驾驶 红绿灯检测（二）《YOLOv5实现红绿灯检测(含红绿灯数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128240198智能驾驶 红绿灯检测（三）《Android实现红绿灯检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128240334智能驾驶 车辆检测（一）《UA-DETRAC BITVehicle车辆检测数据集》：https://blog.csdn.net/guyuealian/article/details/127907325 智能驾驶 车辆检测（二）《YOLOv5实现车辆检测(含车辆检测数据集+训练代码)》：https://blog.csdn.net/guyuealian/article/details/128099672 智能驾驶 车辆检测（三）《Android实现车辆检测(含Android源码 可实时运行)》：https://blog.csdn.net/guyuealian/article/details/128190532
目前收集了约30W+的车牌检测数据集（含蓝牌和绿牌），主要使用开源的CCPD车牌数据集，关于CCPD车牌数据集说明，请参考智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181 （2）自定义数据集如果需要增/删类别数据进行训练，或者需要自定数据集进行训练，可参考如下步骤： 采集图片，建议不少于200张图片使用Labelme等标注工具，对目标进行拉框标注：labelme工具：GitHub - wkentaro/labelme: Image Polygonal Annotation with Python (polygon, rectangle, circle, line, point and image-level flag annotation).将标注格式转换为VOC数据格式，参考工具：labelme/labelme2voc.py at main · wkentaro/labelme · GitHub生成训练集train.txt和验证集val.txt文件列表修改engine/configs/voc_local.yaml的train和val的数据路径重新开始训练
训练Pipeline采用YOLOv5: GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite , 原始官方代码训练需要转换为YOLO的格式，不支持VOC的数据格式。为了适配VOC数据，本人新增了LoadVOCImagesAndLabels用于解析VOC数据集，以便正常训练。另外，为了方便测试，还增加demo.py文件，可支持对图片,视频和摄像头的测试。 Python依赖环境，使用pip安装即可，项目代码都在Ubuntu系统和Windows系统验证正常运行，请放心使用；若出现异常，大概率是相关依赖包版本没有完全对应 matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow PyYAML>=5.3.1 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0 tensorboard>=2.4.1 seaborn>=0.11.0 pandas thop # FLOPs computation pybaseutils==0.7.0项目安装教程请参考（初学者入门，麻烦先看完下面教程，配置好开发环境）： 项目开发使用教程和常见问题和解决方法视频教程：1 手把手教你安装CUDA和cuDNN(1)视频教程：2 手把手教你安装CUDA和cuDNN(2)视频教程：3 如何用Anaconda创建pycharm环境视频教程：4 如何在pycharm中使用Anaconda创建的python环境 （2）准备Train和Test数据下载CCPD车牌检测数据集， 关于CCPD车牌数据集说明，请参考智能驾驶 车牌检测和识别（一）《CCPD车牌数据集》：https://blog.csdn.net/guyuealian/article/details/128704181 （3）配置数据文件 修改训练和测试数据的路径：engine/configs/voc_local.yaml注意数据路径分隔符使用【/】,不是【\】项目不要出现含有中文字符的目录文件或路径，否则会出现很多异常！！！！！！！！ # Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..] # 数据路径 path: "" # dataset root dir # 数据路径不要含有中文字符，否则有很多异常，分隔符使用【/】 train: - 'D:/dataset/CCPD2020-voc/train/train.txt' - 'D:/dataset/CCPD2020-voc/val/val.txt' - 'D:/dataset/CCPD2019-voc/ccpd_base/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_blur/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_challenge/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_db/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_fn/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_rotate/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_tilt/train.txt' - 'D:/dataset/CCPD2019-voc/ccpd_weather/train.txt' val: - 'D:/dataset/CCPD2020-voc/test/test.txt' - 'D:/dataset/CCPD2019-voc/ccpd_base/val.txt' test: # test images (optional) data_type: voc # 1.设置类别个数，和要训练的类别名称，ID号从0开始递增 nc: 1 # number of classes names: { 'plate': 0 } # 2.如果你想合并所有类别为一个大类，进行训练： unique表示合并所有类为单独一个类别 #nc: 1 # number of classes #names: { "unique": 0 } （4）配置模型文件官方YOLOv5给出了YOLOv5l,YOLOv5m,YOLOv5s等模型。考虑到手机端CPU/GPU性能比较弱鸡，直接部署yolov5s运行速度十分慢。所以本人在yolov5s基础上进行模型轻量化处理，即将yolov5s的模型的channels通道数全部都减少一半，并且模型输入由原来的640×640降低到416×416或者320×320，该轻量化的模型我称之为yolov5s05。从性能来看，yolov5s05比yolov5s快5多倍，而mAP下降了1%（0.75261→0.74341），对于手机端，这精度完全可以接受。 下面是yolov5s05和yolov5s的参数量和计算量对比： 模型input-sizeparams(M)GFLOPsyolov5s640×6407.216.5yolov5s05416×4161.71.8yolov5s05320×3201.71.1 （5）重新聚类Anchor（可选）官方yolov5s的Anchor是基于COCO数据集进行聚类获得（详见models/yolov5s.yaml文件） 考虑到车牌检测数据集，目标相对较小，并且目标框几乎都是竖状的矩形框；直接复用原始COCO的Anchor效果可能不太好；因此，这里对车牌数据集CCPD的标注框进行重新聚类获得新的Anchor；下表给出yolov5s，yolov5s05_416和yolov5s05_320重新聚类的Anchor结果： yolov5s.yamlyolov5s05_416.yamlyolov5s05_320.yaml  
一点建议： 官方yolov5s的Anchor是基于COCO数据集进行聚类获得，不同数据集需要做适当的调整，其最优Anchor建议重新进行聚类 。当然你要是觉得麻烦就跳过，不需要重新聚类Anchor，这个影响不是特别大。如果你需要重新聚类，请参考engine/kmeans_anchor/demo.py文件 （6）开始训练整套训练代码非常简单操作，用户只需要填写好对应的数据路径，即可开始训练了。 修改训练超参文件（： data/hyps/hyp.scratch-v1.yaml （可以修改训练学习率，数据增强等方式，使用默认即可，可不修改）Linux系统终端运行训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) #!/usr/bin/env bash #--------------训练yolov5s-------------- # 输出项目名称路径 project="runs/yolov5s_640" # 训练和测试数据的路径 data="engine/configs/voc_local.yaml" # YOLOv5模型配置文件 cfg="models/yolov5s.yaml" # 训练超参数文件 hyp="data/hyps/hyp.scratch-v1.yaml" # 预训练文件 weights="engine/pretrained/yolov5s.pt" python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 640 --workers 4 --project $project #--------------训练轻量化版本yolov5s05_416-------------- # 输出项目名称路径 project="runs/yolov5s05_416" # 训练和测试数据的路径 data="engine/configs/voc_local.yaml" # YOLOv5模型配置文件 cfg="models/yolov5s05_416.yaml" # 训练超参数文件 hyp="data/hyps/hyp.scratch-v1.yaml" # 预训练文件 weights="engine/pretrained/yolov5s.pt" python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 416 --workers 4 --project $project #--------------训练轻量化版本yolov5s05_320-------------- # 输出项目名称路径 project="runs/yolov5s05_320" # 训练和测试数据的路径 data="engine/configs/voc_local.yaml" # YOLOv5模型配置文件 cfg="models/yolov5s05_320.yaml" # 训练超参数文件 hyp="data/hyps/hyp.scratch-v1.yaml" # 预训练文件 weights="engine/pretrained/yolov5s.pt" python train.py --data $data --cfg $cfg --hyp $hyp --weights $weights --batch-size 16 --imgsz 320 --workers 4 --project $project Windows系统终端运行训练yolov5s或轻量化版本yolov5s05_416或者yolov5s05_320 (选择其中一个训练即可) #!/usr/bin/env bash #--------------训练yolov5s-------------- python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 640 --workers 4 --project runs/yolov5s_640 #--------------训练轻量化版本yolov5s05_416-------------- python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_416.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 416 --workers 4 --project runs/yolov5s05_416 #--------------训练轻量化版本yolov5s05_320-------------- python train.py --data engine/configs/voc_local.yaml --cfg models/yolov5s05_320.yaml --hyp data/hyps/hyp.scratch-v1.yaml --weights engine/pretrained/yolov5s.pt --batch-size 16 --imgsz 320 --workers 4 --project runs/yolov5s05_320 开始训练： 训练模型收敛后，yolov5s车牌检测的mAP指标大约mAP_0.5=0.75261；而，yolov5s05_416 mAP_0.5=0.74593左右；yolov5s05_320 mAP_0.5=0.74341左右；相比而言，yolov5s05比yolov5s mAP减小1%，从效果看，对yolov5进行模型压缩，损失的精度不大。 模型input-sizeparams(M)GFLOPsmAP_0.5:0.95yolov5s640×6407.216.50.75261yolov5s05416×4161.71.80.74593yolov5s05320×3201.71.10.74341 （7）可视化训练过程训练过程可视化工具是使用Tensorboard，使用方法： # 基本方法 tensorboard --logdir=path/to/log/ # 例如 tensorboard --logdir ./data/model/yolov5s_640    
当然，在输出目录，也保存很多性能指标的图片 这是训练epoch的可视化图，可以看到mAP随着Epoch训练，逐渐提高
demo.py文件用于推理和测试模型的效果，填写好配置文件，模型文件以及测试图片即可运行测试了 测试图片 # 测试图片（Linux系统） image_dir='data/test_image' # 测试图片的目录 weights="data/model/yolov5s_640/weights/best.pt" # 模型文件 out_dir="runs/test-result" # 保存检测结果 python demo.py --image_dir $image_dir --weights $weights --out_dir $out_dirWindows系统，请将$image_dir， $weights ，$out_dir等变量代替为对应的变量值即可，如 # 测试图片（Windows系统） python demo.py --image_dir data/test_image --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result 测试视频文件 # 测试视频文件（Linux系统） video_file="data/test-video.mp4" # path/to/video.mp4 测试视频文件，如*.mp4,*.avi等 weights="data/model/yolov5s_640/weights/best.pt" # 模型文件 out_dir="runs/test-result" # 保存检测结果 python demo.py --video_file $video_file --weights $weights --out_dir $out_dir # 测试视频文件（Windows系统） python demo.py --video_file data/test-video.mp4 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result 测试摄像头 # 测试摄像头(Linux系统) video_file=0 # 测试摄像头ID weights="data/model/yolov5s_640/weights/best.pt" # 模型文件 out_dir="runs/test-result" # 保存检测结果 python demo.py --video_file $video_file --weights $weights --out_dir $out_dir # 测试摄像头(Windows系统) python demo.py --video_file 0 --weights data/model/yolov5s_640/weights/best.pt --out_dir runs/test-result      
如果想进一步提高模型的性能，可以尝试： 增加训练的样本数据： 目前有30W+的数据量，建议根据自己的业务场景，采集相关数据，提高模型泛化能力使用参数量更大的模型： 本教程使用的YOLOv5s，其参数量才7.2M，而YOLOv5x的参数量有86.7M，理论上其精度更高，但推理速度也较慢。车牌目标检测属于小目标检测，可以尝试减小模型下采样次数，增大input-size，来提高小目标检测效果尝试不同数据增强的组合进行训练 5. Android版本车牌检测和识别效果已经完成Android版本车牌检测和识别算法开发，APP在普通Android手机上可以达到实时的检测和识别效果，CPU(4线程)约30ms左右，GPU约25ms左右 ，基本满足业务的性能需求。详细说明请查看：智能驾驶 车牌检测和识别（四）《Android实现车牌检测和识别（可实时识别车牌）》：https://blog.csdn.net/guyuealian/article/details/128704242 Android Demo体验：https://download.csdn.net/download/guyuealian/87400593  
6.项目源码下载
整套项目源码内容包含：车牌检测数据集 + YOLOv5训练代码和测试代码 整套项目下载地址：智能驾驶 车牌检测和识别（二）《YOLOv5实现车牌检测（含车牌检测数据集和训练代码）》 （1）CCPD车牌数据集：
CCPD2019：官方原始数据，主要是蓝牌数据，约34W； CCPD2020：官方原始数据，主要是新能源绿牌数据，约1万 CCPD2019-voc：将数据集CCPD2019转换为VOC数据格式（数据在Annotations，JPEGImages文件夹），可直接用于目标检测模型训练 CCPD2020-voc：将数据集CCPD2020转换为VOC数据格式（数据在Annotations，JPEGImages文件夹），可直接用于目标检测模型训练 为了方便后续训练车牌识别模型，数据集提供已经裁剪好的车牌图片，并放在plates文件夹 （2）YOLOv5训练代码和测试代码（Pytorch） 整套YOLOv5项目工程，含训练代码train.py和测试代码demo.py支持高精度版本yolov5s训练和测试支持轻量化版本yolov5s05_320和yolov5s05_416训练和测试根据本篇博文说明，简单配置即可开始训练：train.py源码包含了训练好的yolov5s,yolov5s05_416和yolov5s05_320模型，配置好环境，可直接运行demo.py测试代码demo.py支持图片，视频和摄像头测试如果你需要车牌号识别，请参考《CRNN和LPRNet实现车牌识别（含车牌识别数据集和训练代码）》
|
【本文地址】
今日新闻 |
推荐新闻 |