基于PaddleOCR史上最全车牌号识别实现（一）_paddleocr车牌识别

作者：2023面试高手 | 2024-06-04 04:45:03

踩

paddleocr车牌识别

前言

最近在做关于字符识别的项目，发现好多人在问关于车牌号识别方案，了解现在最火的文字识别PaddleOCR，发现只使用PaddleOCR就可以达到很好的效果，而且从头到尾只需要动PaddOCR上少许代码，就能达到很好的效果。

PaddleOCR分为三个模型检测、方向分类和识别，车牌号识别只需用到检测和识别模型即可，而且现在车牌号识别很少能覆盖全部的车牌类型，今天我发布的这个模型将支持蓝牌、黄牌（单行）、绿牌、大型新能源（黄绿）、领使馆车牌、警牌、武警牌（单行）、军牌（单行）、港澳出入境车牌，覆盖极大部分类型的车牌。

准备工作

1、建议使用PyCharm进行开发，Download PyCharm: Python IDE for Professional Developers by JetBrains

社区版即可

2、在git上下载最新版的PaddleOCR版本，Download PyCharm: Python IDE for Professional Developers by JetBrains

3、导入Pycharm中如下界面：

切换到2.3目录，执行下面的命令，安装环境：

pip install -r requirements.txt

一、车牌号检测模型实现

使用PaddleOCR自带的文字检测功能进行车牌号检测训练，可以不需要加载预训练模型，我们要训练一份只需要能检测出车牌号的模型即可，文章结尾有数据集和检测模型下载地址。

1、导入数据集

目前收集了1万多张左右的真实图片，其中有几千张是手动标注的

2、创建配置文件

复制一份yml文件，注：Eval.transforms.DetResizeForTest设置resize_long: 960


Global:
  use_gpu: true
  epoch_num: 1200
  log_smooth_window: 20
  print_batch_step: 2
  save_model_dir: ./output/ch_db_mv3_car/
  save_epoch_step: 1200
  # evaluation is run every 5000 iterations after the 4000th iteration
  eval_batch_step: 1500
  cal_metric_during_train: False
  pretrained_model: ./pretrained_models/ch_ppocr_mobile_v2.0_det_train/best_accuracy
  checkpoints:
  save_inference_dir: ./inference/ch_db_mv3_car
  use_visualdl: False
  infer_img: doc/imgs_en/img_10.jpg
  save_res_path: ./output/det_db/predicts_db.txt
 
Architecture:
  model_type: det
  algorithm: DB
  Transform:
  Backbone:
    name: MobileNetV3
    scale: 0.5
    model_name: large
    disable_se: True
  Neck:
    name: DBFPN
    out_channels: 96
  Head:
    name: DBHead
    k: 50
 
Loss:
  name: DBLoss
  balance_loss: true
  main_loss_type: DiceLoss
  alpha: 5
  beta: 10
  ohem_ratio: 3
 
Optimizer:
  name: Adam
  beta1: 0.9
  beta2: 0.999
  lr:
    name: Cosine
    learning_rate: 0.001
    warmup_epoch: 2
  regularizer:
    name: 'L2'
    factor: 0
 
PostProcess:
  name: DBPostProcess
  thresh: 0.3
  box_thresh: 0.6
  max_candidates: 1000
  unclip_ratio: 1.5
 
Metric:
  name: DetMetric
  main_indicator: hmean
 
Train:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/
    label_file_list:
      - "./train_data/car1/det_gt_train.txt"
      - "./train_data/car2/det_gt_train.txt"
    ratio_list: [ 1.0, 1.0 ]
    transforms:
      - DecodeImage: # load image
          img_mode: BGR
          channel_first: False
      - DetLabelEncode: # Class handling label
      - IaaAugment:
          augmenter_args:
            - { 'type': Fliplr, 'args': { 'p': 0.5 } }
            - { 'type': Affine, 'args': { 'rotate': [ -30, 30 ] } }
            - { 'type': Resize, 'args': { 'size': [ 0.3, 3 ] } }
      - EastRandomCropData:
          size: [ 960, 960 ]
          max_tries: 50
          keep_ratio: true
      - MakeBorderMap:
          shrink_ratio: 0.4
          thresh_min: 0.3
          thresh_max: 0.7
      - MakeShrinkMap:
          shrink_ratio: 0.4
          min_text_size: 8
      - NormalizeImage:
          scale: 1./255.
          mean: [ 0.485, 0.456, 0.406 ]
          std: [ 0.229, 0.224, 0.225 ]
          order: 'hwc'
      - ToCHWImage:
      - KeepKeys:
          keep_keys: [ 'image', 'threshold_map', 'threshold_mask', 'shrink_map', 'shrink_mask' ] # the order of the dataloader list
  loader:
    shuffle: True
    drop_last: False
    batch_size_per_card: 2
    num_workers: 4
 
Eval:
  dataset:
    name: SimpleDataSet
    data_dir: ./train_data/
    label_file_list:
      - "./train_data/car/car1/det_gt_test.txt"
      - "./train_data/car/car2/det_gt_test.txt"
    ratio_list: [ 1.0, 1.0 ]
    transforms:
      - DecodeImage: # load image
          img_mode: BGR
          channel_first: False
      - DetLabelEncode: # Class handling label
      - DetResizeForTest:
      #           image_shape: [736, 1280]
          resize_long: 960
      - NormalizeImage:
          scale: 1./255.
          mean: [ 0.485, 0.456, 0.406 ]
          std: [ 0.229, 0.224, 0.225 ]
          order: 'hwc'
      - ToCHWImage:
      - KeepKeys:
          keep_keys: [ 'image', 'shape', 'polys', 'ignore_tags' ]
  loader:
    shuffle: False
    drop_last: False
    batch_size_per_card: 1 # must be 1
    num_workers: 2
    use_shared_memory: False

3、执行命令进行GPU训练

python -m paddle.distributed.launch --gpus 0 tools/train.py -o Global.use_visualdl=True -c configs/det/ch_ppocr_v2.0/ch_det_mv3_db_v2.0_car.yml

注意显存问题，需要大于4G的显存，2G显存会溢出

4、显示运行图

visualdl --logdir=output/ch_db_mv3_car/vdl --port 8081
检测模型效果最高能到达：hmean：0.99

5、验证模型


python tools/infer_det.py -c configs/det/ch_ppocr_v2.0/ch_det_mv3_db_v2.0_car.yml -o Global.pretrained_model="./output/ch_db_mv3_car/best_accuracy"  Global.inf
er_img=C:\Users\YY007\Desktop\car\1.jpg PostProcess.unclip_ratio=1.8

效果如下，左边原图，右边检测效果图：

6、导出模型


python tools/export_model.py -c configs/det/ch_ppocr_v2.0/ch_det_mv3_db_v2.0_car.yml -o Global.pretrained_model="./output/ch_db_mv3_car/best_accuracy" Global.save
_inference_dir="./inference/ch_db_mv3_car/"

导出模型验证：

python tools/infer/predict_det.py --det_algorithm="DB" --det_model_dir="./inference/ch_db_mv3_car/" --image_dir="C:\Users\YY007\Desktop\car\1.jpg" --use_gpu=True --det_db_unclip_ratio=1.8