yolov5车牌识别(2023年毕业设计+python源码)

您所在的位置：网站首页 › 车牌识别开发 › yolov5车牌识别(2023年毕业设计+python源码)

yolov5车牌识别(2023年毕业设计+python源码)

2023-03-13 09:08| 来源: 网络整理| 查看: 265

源码链接在文末一、yolov5 模板下载

第一步：将整个代码从github上下载下来，

网址：GitHub - ultralytics/yolov5: YOLOv5 🚀 in PyTorch > ONNX > CoreML > TFLite

也可以直接到GitHub上搜yolov5

二、安装环境

# pip install -r requirements.txt

# Base ---------------------------------------- matplotlib>=3.2.2 numpy>=1.18.5 opencv-python>=4.1.2 Pillow>=7.1.2 PyYAML>=5.3.1 requests>=2.23.0 scipy>=1.4.1 torch>=1.7.0 torchvision>=0.8.1 tqdm>=4.41.0

# Logging ------------------------------------- tensorboard>=2.4.1 # wandb

# Plotting ------------------------------------ pandas>=1.1.4 seaborn>=0.11.0

# Export -------------------------------------- # coremltools>=4.1 # CoreML export # onnx>=1.9.0 # ONNX export # onnx-simplifier>=0.3.6 # ONNX simplifier # scikit-learn==0.19.2 # CoreML quantization # tensorflow>=2.4.1 # TFLite export # tensorflowjs>=3.9.0 # TF.js export # openvino-dev # OpenVINO export

# Extras -------------------------------------- # albumentations>=1.0.3 # Cython # for pycocotools https://github.com/cocodataset/cocoapi/issues/172 # pycocotools>=2.0 # COCO mAP # roboflow thop # FLOPs computation

(1)安装pytorch（建议安装gpu版本cpu版本太慢）

这些库中可能就pytorch比较难安装，其他库用pip install 基本能实现。

可直接在Anaconda Prompt里输入：

pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

运行检测

下载完yolov5后，运行detect，可以帮助我们检查上面的环境是不是安装成功。

如果运行不报错，我们会在runs//detect//exp 文件夹下看到两张已经预测出的照片。

如果报错，问题也不大，看就是安装的环境版本比较低或者没安装，我们稍微调试一下就OK了。

三、标记数据

我们先要创建几个文件夹用来存放数据和模型。

在yolov5-master如下图所示文件夹

1.制作标签

这里我是以穿越火线为例，提供100个已经标记好的数据（放在文末）。你也可以自己标记，一百张效果不是很好，可以多标记几张。

(1)安装labelme

在Anaconda Prompt里pip install labelme

(2)使用labelme

在Anaconda Prompt里输入labelme，会弹出一个窗口。

然后打开图片所在的文件夹

点击rectangle，标记想要识别的东西。

标记完后保存到一个新的文件夹下，保存的文件格式是.json

2.转格式（json转txt）

要修改代码中标签名称，存放json文件的绝对路径和保存txt文件的绝对路径。

我们将生成的txt放在my_dates//labels//train中

将原来的图片放在my_dates//images//train中

import json import os name2id = {'Global Risk':0,'Black List':1} #标签名称 def convert(img_size, box): dw = 1. / (img_size[0]) dh = 1. / (img_size[1]) x = (box[0] + box[2]) / 2.0 - 1 y = (box[1] + box[3]) / 2.0 - 1 w = box[2] - box[0] h = box[3] - box[1] x = x * dw w = w * dw y = y * dh h = h * dh return (x, y, w, h) def decode_json(json_floder_path, json_name): txt_name = 'C:\\img \\' + json_name[0:-5] + '.txt' #存放txt的绝对路径 txt_file = open(txt_name, 'w') json_path = os.path.join(json_floder_path, json_name) data = json.load(open(json_path, 'r', encoding='gb2312',errors='ignore')) img_w = data['imageWidth'] img_h = data['imageHeight'] for i in data['shapes']: label_name = i['label'] if (i['shape_type'] == 'rectangle'): x1 = int(i['points'][0][0]) y1 = int(i['points'][0][1]) x2 = int(i['points'][1][0]) y2 = int(i['points'][1][1]) bb = (x1, y1, x2, y2) bbox = convert((img_w, img_h), bb) txt_file.write(str(name2id[label_name]) + " " + " ".join([str(a) for a in bbox]) + '\n') if __name__ == "__main__": json_floder_path = 'G:\\img\\' #存放json的文件夹的绝对路径 json_names = os.listdir(json_floder_path) for json_name in json_names: decode_json(json_floder_path, json_name) 四、配置文件 1.mydata.yaml

copy一下coco128.yaml文件到my_dates下并改名为mydata