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
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
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】/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》:/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)》:/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)》:/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)》:/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)》:/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》:/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)》:/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)》:/guyuealian/article/details/128240334
智能驾驶 车辆检测(一)《UA-DETRAC BITVehicle车辆检测数据集》:/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)》:/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)》:/guyuealian/article/details/128190532
2. 车牌检测数据集说明
(1)车牌检测数据集
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》:/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
3. 基于YOLOv5的车牌检测模型训练
(1)YOLOv5安装
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>=3.2.2numpy>=1.18.5opencv-python>=4.1.2PillowPyYAML>=5.3.1scipy>=1.4.1torch>=1.7.0torchvision>=0.8.1tqdm>=4.41.0tensorboard>=2.4.1seaborn>=0.11.0pandasthop # FLOPs computationpybaseutils==0.7.0
项目安装教程请参考:/guyuealian/article/details/129163343
(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》:/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# 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 dirtrain:- 'dataset/CCPD-voc/train/train.txt'- 'dataset/CCPD-voc/val/val.txt'- 'dataset/CCPD-voc/ccpd_base/train.txt'- 'dataset/CCPD-voc/ccpd_blur/train.txt'- 'dataset/CCPD-voc/ccpd_challenge/train.txt'- 'dataset/CCPD-voc/ccpd_db/train.txt'- 'dataset/CCPD-voc/ccpd_fn/train.txt'- 'dataset/CCPD-voc/ccpd_rotate/train.txt'- 'dataset/CCPD-voc/ccpd_tilt/train.txt'- 'dataset/CCPD-voc/ccpd_weather/train.txt'val:- 'dataset/CCPD-voc/test/test.txt'- 'dataset/CCPD-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 classesnames: { '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:
(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:
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)编辑train.sh脚本训练,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="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 12 --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="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 64 --imgsz 416 --workers 12 --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="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 64 --imgsz 320 --workers 12 --project $project
开始训练: bashtrain.sh
训练数据量比较大,训练时间比较长,请耐心等待哈训练完成后,在模型输出目录中有个results.csv文件,记录每个epoch测试的结果,如loss,mAP等信息
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。
(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,逐渐提高这是每个类别的F1-Score分数
这是模型的PR曲线
这是混淆矩阵:
4. Python版本车牌检测效果
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_dir
测试视频文件
# 测试视频文件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
测试摄像头
# 测试摄像头video_file=0 # 测试摄像头IDweights="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
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)》:/guyuealian/article/details/128704242
Android Demo体验:/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:
CCPD:官方原始数据,主要是蓝牌数据,约34W;
CCPD:官方原始数据,主要是新能源绿牌数据,约1万
CCPD-voc:将数据集CCPD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
CCPD-voc:将数据集CCPD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)》