使用YOLOv8进行车牌号检测：从数据准备到模型训练的完整指南

使用YOLOv8进行车牌号检测：从数据准备到模型训练的完整指南

引用

CSDN

1.

https://blog.csdn.net/QQ_1309399183/article/details/144875206

YOLOv8是目标检测领域最先进、最实用的模型之一，以其卓越的检测速度和精度在众多应用场景中展现出强大的实力。在车牌识别领域，YOLOv8同样表现出色，能够快速准确地识别出车辆的车牌号码，为交通管理、智能停车等场景提供了有力的技术支持。本文将详细介绍如何使用YOLOv8训练车牌号检测数据集，并实现车牌数据集的识别、可视化及评估。

数据集简介

本文使用的车牌号检测数据集包含7800张图片，具体类别及数量分布如下：

• plate: (7620， 7910)
• 粤: (796， 800)
• Z: (499， 515)
• B: (1028，1115)
• T: (334, 341)
• 8: (3150， 4058)
• 3: (2538， 3095)
• 港: (132， 133)
• L: (481， 493)
• S: (429， 447)
• 5: (2784，3404)
• 0: (3038， 4084)
• A: (3693， 3927)
• 7: (2618， 3283)
• 1: (2817， 3425)
• 警: (64，64)
• 9: (2853， 3554)
• 2: (2653， 3212)
• 豫: (403，405)
• V: (301， 313)
• 6: (2914， 3695)
• Q: (360， 371)
• 4: (1253， 1432)
• C: (1064，1106)
• 鲁: (178，178)
• D: (1601， 1799)
• K: (553， 574)
• Y: (331， 337)
• G: (537， 560)
• W: (257， 259)
• P: (461， 481)
• 澳: (43, 43)
• M: (584， 597)
• R: (444， 454)
• J: (522， 539)
• H: (585， 603)
• 藏: (243, 243)
• F: (823， 842)
• X: (327， 339)
• N: (396， 402)
• E: (666， 691)
• U: (300， 310)
• 辽: (285， 285)
• 皖: (1148， 1149)
• 闽: (250， 250)
• 青: (44, 44)
• 云: (65， 65)
• 冀: (163， 163)
• 新: (11, 11)
• 苏: (283， 283)
• 晋: (110. 110)
• 贵: (180， 180)
• 川: (196， 196)
• 蒙: (41, 41)
• 吉: (285， 285)
• 浙: (236， 236)
• 沪: (180， 180)
• 湘: (268， 268)
• 京: (128， 128)
• 津: (90， 90)
• 桂: (280， 280)
• 琼: (40， 40)
• 赣: (299， 299)
• 渝: (124， 124)
• 鄂: (394， 394)
• 陕: (75, 75)
• 黑: (133, 133)
• 宁: (10， 10)
• 甘: (24， 24)
• 学: (50， 50)

总数: (7817， 65826)
总类(nc): 70类

步骤概述

1. 安装依赖
2. 准备数据集
3. 配置YOLOv8
4. 训练模型
5. 可视化评估

1. 安装依赖

首先确保你已经安装了必要的库，特别是ultralytics库，它是YOLOv8的核心库。

pip install ultralytics

2. 准备数据集

假设你的数据集格式符合YOLO的要求，即图像文件夹和对应的标注文件夹。数据集结构应如下所示：

datasets/
├── images/
│   ├── train/
│   │   ├── img1.jpg
│   │   ├── img2.jpg
│   │   └── ...
│   └── val/
│       ├── img1.jpg
│       ├── img2.jpg
│       └── ...
└── labels/
    ├── train/
    │   ├── img1.txt
    │   ├── img2.txt
│   │   └── ...
    └── val/
        ├── img1.txt
        ├── img2.jpg
        └── ...

每个.txt文件对应一张图片，内容格式为：

<class_id> <x_center> <y_center> <width> <height>

其中，坐标值都是归一化的（范围在0到1之间）。

3. 配置YOLOv8

创建一个YAML文件来配置数据集路径和类别信息。例如，创建一个名为license_plate.yaml的文件：

train: ../datasets/images/train
val: ../datasets/images/val

nc: 70
names: ['plate', '粵', 'Z', 'B', 'T', '8', '3', '港', 'L', 'S', '5', '0', 'A', '7', '1', '警', '9', '2', '豫', 'V', '6', 'Q', '4', 'C', '鲁', 'D', 'K', 'Y', '湘', '京', '津', '桂', '琼', '赣', '渝', '鄂', '陕', '黑', '宁', '甘', '学']

4. 训练模型

编写训练脚本，使用YOLOv8进行训练。以下是完整的训练脚本：

from ultralytics import YOLO

# Load a pre-trained YOLOv8n model
model = YOLO('yolov8n.pt')

# Train the model on your dataset
results = model.train(
    data='license_plate.yaml',
    epochs=50,
    imgsz=640,
    batch=8,
    workers=4,
    device='0'  # Use GPU if available
)

# Evaluate the model performance on the validation set
metrics = model.val()

# Export the trained model to ONNX format for deployment
success = model.export(format='onnx')

5. 可视化评估

我们可以使用YOLOv8自带的功能来可视化评估结果。以下是如何进行可视化的代码：

# Visualize predictions on validation set
results = model.predict(source='../datasets/images/val', show=True, save=True)

将上述代码添加到训练脚本中，完整的脚本如下：

from ultralytics import YOLO

# Load a pre-trained YOLOv8n model
model = YOLO('yolov8n.pt')

# Train the model on your dataset
results = model.train(
    data='license_plate.yaml',
    epochs=50,
    imgsz=640,
    batch=8,
    workers=4,
    device='0'  # Use GPU if available
)

# Evaluate the model performance on the validation set
metrics = model.val()

# Export the trained model to ONNX format for deployment
success = model.export(format='onnx')

# Visualize predictions on validation set
results = model.predict(source='../datasets/images/val', show=True, save=True)

解释

1. 加载预训练模型：我们从预训练的YOLOv8n模型开始。
2. 训练模型：使用train方法进行训练。参数包括数据集配置文件路径、训练轮数、图像大小、批量大小、工作线程数和设备。
3. 评估模型：使用val方法对模型进行评估。
4. 导出模型：将训练好的模型导出为ONNX格式以便部署。
5. 可视化评估：使用predict方法在验证集上进行预测，并显示和保存结果。

运行脚本

保存上述脚本到一个Python文件中，例如train_license_plate.py，然后运行该脚本：

python train_license_plate.py