基于yolov5的车牌检测

原创已于 2024-05-08 08:42:09 修改 · 1k 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#YOLO #人工智能 #python

于 2023-06-21 16:56:15 首次发布

基于深度学习的车牌识别专栏收录该内容

8 篇文章

订阅专栏

本文详细介绍了如何利用YOLOv5进行车牌检测。首先，对CCPD2019数据集进行清洗，调整为符合yolov5的数据格式。接着，下载并配置yolov5源码，创建数据集配置文件plat.yaml，并修改train.py以适应车牌检测任务。然后，通过训练命令启动训练过程，最终得到良好的训练效果和模型保存路径。

在本专题的第一篇博文中讲述了车牌检测数据集的制作方法（车牌检测数据集预处理_reset2021的博客-CSDN博客

1）数据清洗

对 CCPD2019中 ccpd_base数据集进行处理，得到数据集结构如下

其中，labels中的文件内容形式如下所示：

符合yolov5的数据格式。

2）下载源码

下载yolov5源码（https://github.com/ultralytics/yolov5.git)

① 在data目录下新建plat.yaml

# YOLOv5 🚀 by Ultralytics, GPL-3.0 license
# PASCAL VOC dataset http://host.robots.ox.ac.uk/pascal/VOC by University of Oxford
# Example usage: python train.py --data VOC.yaml
# parent
# ├── yolov5
# └── datasets
#     └── VOC  ← downloads here (2.8 GB)


# 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, ..]
path: ../datasets/CCPD/ccpd_2020_yolo
train: # train images (relative to 'path')  16551 images
  - images/train

val: # val images (relative to 'path')  4952 images
  - images/val


# Classes
names:
  0: plate

其中，path为数据集的目录，包含图像与lable文件。

names为类别的结构，本博文涉及到的类别为 "plate"

3) 修改 train.py中相关代码

def parse_opt(known=False):
    parser = argparse.ArgumentParser()
    parser.add_argument('--weights', type=str, default=ROOT / 'yolov5s.pt', help='initial weights path')
    parser.add_argument('--cfg', type=str, default='yolov5s.yaml', help='model.yaml path')
    parser.add_argument('--data', type=str, default=ROOT / 'data/plate.yaml', help='dataset.yaml path')
    parser.add_argument('--hyp', type=str, default=ROOT / 'data/hyps/hyp.scratch-low.yaml', help='hyperparameters path')
    parser.add_argument('--epochs', type=int, default=800, help='total training epochs')
    parser.add_argument('--batch-size', type=int, default=4, help='total batch size for all GPUs, -1 for autobatch')
    parser.add_argument('--imgsz', '--img', '--img-size', type=int, default=640, help='train, val image size (pixels)')
    parser.add_argument('--rect', action='store_true', help='rectangular training')
    parser.add_argument('--resume', nargs='?', const=True, default=False, help='resume most recent training')
    parser.add_argument('--nosave', action='store_true', help='only save final checkpoint')
    parser.add_argument('--noval', action='store_true', help='only validate final epoch')
    parser.add_argument('--noautoanchor', action='store_true', help='disable AutoAnchor')
    parser.add_argument('--noplots', action='store_true', help='save no plot files')
    parser.add_argument('--evolve', type=int, nargs='?', const=300, help='evolve hyperparameters for x generations')
    parser.add_argument('--bucket', type=str, default='', help='gsutil bucket')
    parser.add_argument('--cache', type=str, nargs='?', const='ram', help='image --cache ram/disk')
    parser.add_argument('--image-weights', action='store_true', help='use weighted image selection for training')
    parser.add_argument('--device', default='0', help='cuda device, i.e. 0 or 0,1,2,3 or cpu')
    parser.add_argument('--multi-scale', action='store_true', help='vary img-size +/- 50%%')
    parser.add_argument('--single-cls', action='store_true', help='train multi-class data as single-class')
    parser.add_argument('--optimizer', type=str, choices=['SGD', 'Adam', 'AdamW'], default='SGD', help='optimizer')
    parser.add_argument('--sync-bn', action='store_true', help='use SyncBatchNorm, only available in DDP mode')
    parser.add_argument('--workers', type=int, default=8, help='max dataloader workers (per RANK in DDP mode)')
    parser.add_argument('--project', default=ROOT / 'yolov5s_plate_runs/train', help='save to project/name')
    parser.add_argument('--name', default='exp', help='save to project/name')
    parser.add_argument('--exist-ok', action='store_true', help='existing project/name ok, do not increment')
    parser.add_argument('--quad', action='store_true', help='quad dataloader')
    parser.add_argument('--cos-lr', action='store_true', help='cosine LR scheduler')
    parser.add_argument('--label-smoothing', type=float, default=0.0, help='Label smoothing epsilon')
    parser.add_argument('--patience', type=int, default=100, help='EarlyStopping patience (epochs without improvement)')
    parser.add_argument('--freeze', nargs='+', type=int, default=[0], help='Freeze layers: backbone=10, first3=0 1 2')
    parser.add_argument('--save-period', type=int, default=-1, help='Save checkpoint every x epochs (disabled if < 1)')
    parser.add_argument('--seed', type=int, default=0, help='Global training seed')
    parser.add_argument('--local_rank', type=int, default=-1, help='Automatic DDP Multi-GPU argument, do not modify')

    # Logger arguments
    parser.add_argument('--entity', default=None, help='Entity')
    parser.add_argument('--upload_dataset', nargs='?', const=True, default=False, help='Upload data, "val" option')
    parser.add_argument('--bbox_interval', type=int, default=-1, help='Set bounding-box image logging interval')
    parser.add_argument('--artifact_alias', type=str, default='latest', help='Version of dataset artifact to use')

    return parser.parse_known_args()[0] if known else parser.parse_args()

主要修改两个地方：

parser.add_argument('--data', type=str, default=ROOT / 'data/plate.yaml', help='dataset.yaml path')

设置车牌检测数据集

parser.add_argument('--project', default=ROOT / 'yolov5s_plate_runs/train', help='save to project/name')

更改模型保存路径

4）模型训练

运行如下命令进行训练

python train.py

5）模型运行结果保存在

yolov5s_plate_runs/train/exp

在该文件夹目录下存在如下文件结构

其中，训练过程相关结果为

收敛情况很好。

训练结果见https://download.csdn.net/download/reset2021/87938232?spm=1001.2101.3001.9500