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）》_车牌目标检测

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=0.99972mAP_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

模型	input-size	params(M)	GFLOPs	mAP_0.5:0.95
yolov5s	640×640	7.2	16.5	0.75261
yolov5s05	416×416	1.7	1.8	0.74593
yolov5s05	320×320	1.7	1.1	0.74341

先展示一下车牌检测效果

【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】https://blog.csdn.net/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》https://blog.csdn.net/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》https://blog.csdn.net/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》https://blog.csdn.net/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》https://blog.csdn.net/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》https://blog.csdn.net/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》https://blog.csdn.net/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)》https://blog.csdn.net/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)》https://blog.csdn.net/guyuealian/article/details/128240334
智能驾驶车辆检测一《UA-DETRAC BITVehicle车辆检测数据集》https://blog.csdn.net/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)》https://blog.csdn.net/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)》https://blog.csdn.net/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》https://blog.csdn.net/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

1YOLOv5说明

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>=3.2.2
numpy>=1.18.5
opencv-python>=4.1.2
Pillow
PyYAML>=5.3.1
scipy>=1.4.1
torch>=1.7.0
torchvision>=0.8.1
tqdm>=4.41.0
tensorboard>=2.4.1
seaborn>=0.11.0
pandas
thop  # FLOPs computation
pybaseutils==0.7.0

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》https://blog.csdn.net/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 dir

train:
  - 'dataset/CCPD2020-voc/train/train.txt'
  - 'dataset/CCPD2020-voc/val/val.txt'
  - 'dataset/CCPD2019-voc/ccpd_base/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_blur/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_challenge/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_db/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_fn/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_rotate/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_tilt/train.txt'
  - 'dataset/CCPD2019-voc/ccpd_weather/train.txt'

val:
  - 'dataset/CCPD2020-voc/test/test.txt'
  - 'dataset/CCPD2019-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 classes
names: { '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

模型	input-size	params(M)	GFLOPs
yolov5s	640×640	7.2	16.5
yolov5s05	416×416	1.7	1.8
yolov5s05	320×320	1.7	1.1

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yolov5syolov5s05_416和yolov5s05_320重新聚类的Anchor结果

yolov5s.yaml	yolov5s05_416.yaml	yolov5s05_320.yaml

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 bash train.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。

模型	input-size	params(M)	GFLOPs	mAP_0.5:0.95
yolov5s	640×640	7.2	16.5	0.75261
yolov5s05	416×416	1.7	1.8	0.74593
yolov5s05	320×320	1.7	1.1	0.74341

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ID
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

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》https://blog.csdn.net/guyuealian/article/details/128704242

Android Demo体验https://download.csdn.net/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》

1CCPD车牌数据集

CCPD2019官方原始数据主要是蓝牌数据约34W

CCPD2020官方原始数据主要是新能源绿牌数据约1万

CCPD2019-voc将数据集CCPD2019转换为VOC数据格式数据在AnnotationsJPEGImages文件夹可直接用于目标检测模型训练

CCPD2020-voc将数据集CCPD2020转换为VOC数据格式数据在AnnotationsJPEGImages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

2YOLOv5训练代码和测试代码Pytorch