基于YOLOv8的车牌识别系统

项目演示视频：

项目获取地址：
https://mbd.pub/o/bread/YZWUm51pZQ==

🚀 项目介绍

基于YOLOv8的车牌识别系统是一个集车牌检测、识别和管理于一体的综合平台。系统采用YOLOv8目标检测模型实现车牌的精准定位，结合PaddleOCR文字识别技术完成车牌字符的高效识别。整个系统基于Streamlit构建了友好的Web界面，支持多种输入方式、批量处理和实时识别功能。

系统可以准确识别中国各类机动车车牌，包括：

• 普通蓝牌车牌
• 新能源绿牌车牌
• 黄牌车牌（货车、教练车等）
• 白色警用车牌
• 使馆车牌等特殊车牌

🏗 系统架构

系统采用模块化设计，主要包含以下核心组件：

基于YOLOv8的车牌识别系统
│
├── 前端界面 (Streamlit)
│   ├── 车牌识别页面 - 提供多种识别方式
│   ├── 数据集处理页面 - 数据管理与标注
│   ├── 模型训练页面 - 训练参数配置与监控
│   └── 模型测试页面 - 性能评估与测试报告
│
├── 检测模块 (YOLOv8)
│   ├── 车牌定位 - 精确定位图像中的车牌位置
│   ├── 多尺度检测 - 适应不同大小和距离的车牌
│   ├── 车牌验证 - 过滤误检结果
│   └── 后处理优化 - 提高检测精度
│
├── 识别模块 (PaddleOCR)
│   ├── 图像预处理 - 增强车牌图像质量
│   ├── 字符识别 - 识别车牌文字内容
│   ├── 车牌类型判断 - 区分不同类型车牌
│   └── 后处理校正 - 修正识别错误
│
└── 工具模块
    ├── 数据集处理工具 - 数据清洗与划分
    ├── 模型训练工具 - 训练与调优
    ├── 模型转换工具 - 支持多种部署格式
    └── 性能评估工具 - 全面的评估指标

✨ 功能特点

车牌识别功能

• 🖼️ 单张图片识别

  • 支持多种图片格式（JPG、PNG、JPEG等）
  • 可视化展示检测和识别结果
  • 支持结果下载和导出
    

• 📂 批量处理

  • 同时处理多张图片
  • 生成详细的识别报告
  • 支持CSV、JSON、Excel多种格式导出
  • 提供批处理进度显示
    

• 📹 实时摄像头识别

  • 支持实时视频流识别
  • 多种摄像头设备选择
  • 可调节识别参数和频率
  • 支持录制识别视频
    

• 📊 结果分析

  • 车牌类型统计
  • 识别置信度分析
  • 识别速度评估
    

数据集管理

• 🔧 数据标注

  • 内置标注工具
  • 支持YOLO格式标注
  • 标注质量验证
    

• 📊 数据集划分

  • 自动划分训练集、验证集和测试集
  • 可调节划分比例
  • 数据集统计与可视化
    

• ✅ 数据验证

  • 验证标注格式和数据质量
  • 检查标注与图像的一致性
  • 标注预览功能
    

模型训练与优化

• 🧠 自定义训练

  • 灵活的训练参数配置
  • 支持GPU/CPU训练
  • 实时训练监控
    

• 📈 增强训练

  • 多种数据增强选项
  • 支持迁移学习
  • 模型性能可视化

• 🔄 模型转换

  • 支持ONNX格式转换
  • 模型压缩与优化
  • 多平台部署支持

模型测试

• 🔍 单张测试

  • 上传图片快速测试
  • 详细的检测与识别结果
  • 性能指标分析
    

• 📊 批量测试

  • 使用测试集评估模型
  • 生成详细测试报告
  • 混淆矩阵与性能曲线
    

💻 环境要求

基本要求

• Python 3.8+
• CUDA 11.3+ (GPU加速，可选)
• 4GB+ RAM
• 摄像头 (实时识别功能)

硬件推荐配置

• CPU: Intel i5 9代或更高 / AMD Ryzen 5 3600或更高
• GPU: NVIDIA GTX 1650或更高 (支持CUDA)
• 内存: 8GB+
• 硬盘: 10GB可用空间

软件依赖

• ultralytics (YOLOv8)
• paddleocr
• streamlit
• opencv-python
• torch
• numpy
• pandas
• 其他依赖详见requirements.txt

📥 安装步骤

1. 安装依赖

pip install -r requirements.txt

2. 启动应用

streamlit run app.py

📘 使用说明

车牌识别模块

1. 单张图片识别

   • 在左侧菜单选择 “🔍 车牌识别”
   • 选择 “上传图片” 输入方式
   • 上传需要识别的车牌图片
   • 调整置信度阈值和IOU阈值（可选）
   • 开启增强模式以提高识别准确率（可选）
   • 系统会自动定位车牌位置并显示识别结果
   • 可以下载识别结果图片或导出数据

2. 批量处理

   • 选择 “批量处理” 输入方式
   • 同时上传多张图片或选择文件夹
   • 设置处理参数
   • 点击 “开始处理” 按钮
   • 处理完成后查看识别统计和结果汇总
   • 可以下载完整的结果包（包含图片、CSV和JSON格式数据）

3. 实时摄像头识别

   • 选择 “使用摄像头” 输入方式
   • 选择摄像头设备并设置参数
   • 调整识别频率和置信度阈值
   • 点击 “开始识别” 按钮
   • 可以开启录制模式保存视频
   • 识别到的车牌将实时显示在界面上

数据集处理模块

1. 数据准备

   • 在左侧菜单选择 “📊 数据集处理”
   • 上传含有车牌的图片或选择文件夹
   • 可以预览上传的图片并进行筛选
   • 设置数据源路径和保存路径

2. 数据标注

   • 点击 “打开标注工具” 按钮
   • 使用标注工具为每张图片中的车牌区域添加边界框
   • 选择标签类别（通常为"license_plate"）
   • 保存标注结果
   • 可以预览已标注的图片

3. 数据集划分

   • 设置训练集、验证集、测试集的比例（如0.7/0.2/0.1）
   • 点击 “划分数据集” 按钮
   • 系统自动进行数据集划分
   • 生成data.yaml配置文件
   • 查看数据集统计信息

模型训练模块

1. 训练配置

   • 在左侧菜单选择 “🚀 模型训练”
   • 设置基础训练参数
     • 训练轮次（epochs）
     • 批次大小（batch size）
     • 图片尺寸（image size）
     • 学习率（learning rate）
   • 配置数据增强参数
   • 选择优化器和学习率策略
   • 设置设备（GPU/CPU）

2. 开始训练

   • 点击 “开始训练” 按钮
   • 观察训练进度和实时指标
   • 查看损失曲线和准确率变化
   • 训练完成后查看模型性能报告
   • 最佳模型将自动保存到models目录

模型测试模块

1. 单张测试

   • 在左侧菜单选择 “📈 模型测试”
   • 上传测试图片
   • 调整测试参数
   • 查看检测和识别结果
   • 分析识别准确率和速度

2. 批量测试

   • 选择测试数据集路径
   • 设置测试参数
   • 点击 “开始测试” 按钮
   • 查看详细的性能指标
     • 准确率（Precision）
     • 召回率（Recall）
     • F1分数
     • 混淆矩阵
   • 下载测试报告

🧠 模型训练

训练流程

1. 数据准备

   • 收集车牌图片数据
   • 使用数据集处理模块进行标注和划分
   • 确保data.yaml配置正确

2. 训练配置

   • 选择合适的基础模型（通常是yolov8n.pt）
   • 设置训练参数
   • 配置数据增强策略

3. 开始训练

   • 使用Web界面或命令行启动训练
   • 监控训练进度和指标
   • 等待训练完成

4. 模型评估

   • 在验证集上评估模型性能
   • 分析混淆矩阵和性能指标
   • 必要时调整参数重新训练

5. 模型导出

   • 将训练好的模型导出为ONNX格式
   • 部署到生产环境

📂 项目结构

LRP/
├── app.py                    # 主应用入口
├── __init__.py               # 包初始化文件
├── requirements.txt          # 项目依赖
├── README.md                 # 项目说明文档
├── data/                     # 数据相关文件
│   ├── classes.txt           # 类别文件
│   ├── samples/              # 示例图片
│   └── temp_workspace/       # 临时工作目录
├── dataset/                  # 数据集目录
│   ├── train/                # 训练集
│   ├── val/                  # 验证集
│   ├── test/                 # 测试集
│   └── data.yaml             # 数据集配置
├── images/                   # 图像资源
│   ├── labels/               # 标签文件
│   └── pictures/             # 图片文件
├── inference/                # 推理模型
│   ├── ch_PP-OCRv3_rec_infer/  # OCR识别模型
│   └── ch_ppocr_mobile_v2.0_cls_infer/  # OCR分类模型
├── models/                   # 模型文件
│   ├── best.pt               # 最佳模型
│   └── best.onnx             # ONNX格式模型
├── modules/                  # 功能模块
│   ├── __init__.py           # 模块初始化
│   ├── recognition.py        # 车牌识别页面
│   ├── dataset.py            # 数据集处理页面
│   ├── training.py           # 模型训练页面
│   └── testing.py            # 模型测试页面
├── results/                  # 结果输出目录
├── runs/                     # 训练运行记录
│   ├── detect/               # 检测模型运行记录
│   └── train/                # 训练模型运行记录
├── test_results/             # 测试结果
└── utils/                    # 工具类
    ├── __init__.py           # 工具初始化
    ├── detector.py           # 车牌检测器
    ├── recognizer.py         # 车牌识别器
    └── fonts/                # 字体文件

❓ 常见问题

1. 系统无法启动

问题: 运行streamlit run app.py时出现错误。

解决方案:

• 确保已安装所有依赖: pip install -r requirements.txt
• 检查Python版本是否为3.8+
• 确保虚拟环境已激活

2. 模型无法加载

问题: 系统提示"检测模型未找到"。

解决方案:

• 确保models目录中存在best.pt文件
• 如果没有，可以先训练模型或下载预训练模型
• 检查模型文件权限

3. 识别准确率低

问题: 车牌识别结果不准确。

解决方案:

• 调高置信度阈值（0.5-0.7之间）
• 开启增强模式
• 确保图片质量良好，车牌清晰
• 考虑重新训练模型或使用更大的模型

4. GPU加速不生效

问题: 系统显示"GPU不可用"。

解决方案:

• 确保已安装CUDA和cuDNN
• 检查GPU驱动是否最新
• 验证PyTorch是否安装了GPU版本: torch.cuda.is_available()
• 重新安装GPU版本的PyTorch

5. 数据集处理问题

问题: 数据集划分或验证出错。

解决方案:

• 检查图像和标签文件是否匹配
• 确保标注格式正确（YOLO格式）
• 验证data.yaml配置是否正确
• 尝试重新划分数据集

6. 摄像头无法使用

问题: 实时识别功能无法使用摄像头。

解决方案:

• 确保摄像头已正确连接并被系统识别
• 检查摄像头权限设置
• 尝试使用不同的摄像头ID（0, 1, 2等）
• 重启应用并重新选择摄像头