目录
- 程序流程设计
- 熟悉训练数据集
-
- CCPD2019数据集
- CCPD数据集标注信息
- 单例再现
- 加载本地车牌数据集
程序流程设计
1,熟悉训练数据集;
2,加载本地车牌数据集;
3,定义网络模型;
4,输入数据集训练模型;
5,保存模型在线推理;
6,GUI可视化 ;
熟悉训练数据集
CCPD2019数据集
本项目所有的数据都是基于CCPD2019数据集,CCPD2019数据集包含了25万多幅中国城市车牌图像和车牌检测与识别信息的标注,主要采集于合肥市,采集人员手持Android POS机对停车场的车辆拍照进行数据采集。所拍摄的车牌照片涉及多种复杂环境,包括模糊、倾斜、雨天、雪天等。具体分类如下
类别 | 描述 | 数量级 |
---|---|---|
CCPD-base | 通用车牌图片 | 200k |
CCPD-blur | 由于摄像机镜头抖动导致的模糊车牌图片 | 5k |
CCPD-challenge | 在车牌检测识别任务中较有挑战性的图片 | 10k |
CCPD-db | 车牌区域亮度较亮、较暗或者不均匀 | 20k |
CCPD-fn | 车牌离摄像头拍摄位置相对较近或较远 | 20k |
CCPD-np | 没有安装车牌的新车图片 | 3k |
CCPD-rotate | 车牌水平倾斜20到50度,竖直倾斜-10到10度 | 10k |
CCPD-tilt | 车牌水平倾斜15到45度,竖直倾斜15到45度 | 10k |
CCPD-weather | 车牌在雨雪雾天气拍摄得到 | 10k |
同目录下的splits文件夹包含各类别的标签 ,包含了由CCPD-Base中的图像被拆分成的训练train集,验证val集,测试test则由非CCPD-Base中的图像组成。
CCPD数据集标注信息
CCPD数据集里面的每张图像的文件名就是该图像对应的数据标注。例如图片
ccpd_base01-86_91-298&341_449&414-458&394_308&410_304&357_454&341-0_0_14_28_24_26_29-124-24.jpg的文件名可以由分割符’-'分为多个部分:
- ccpd_base 表示图片所属的类别,这是base类;
- 01为区域(应该是哪个区域);
- 86_91对应车牌的两个倾斜角度-水平倾斜角和垂直倾斜角, 水平倾斜97度, 竖直倾斜100度。水平倾斜度是车牌与水平线之间的夹角。二维旋转后,垂直倾斜角为车牌左边界线与水平线的夹角。CCPD数据集中这个参数标注可能不那么准,这个指标具体参考了论文Hough Transform and Its Application in Vehicle License Plate Tilt Correction;
- 298&341_449&414对应边界框左上角和右下角坐标:左下角坐标(298,341), 右上角坐标(449,414);
- 458&394_308&410_304&357_454&341对应车牌四个顶点坐标(右上角开始逆时针走):右上(458,394),左上(308,410),左下(304,357),右下(454,341);
- 0_0_14_28_24_26_29为车牌号码,第一位为省份代码,后面6位是大写字母和数字,有对应的关系表;
- 124为亮度,数值越大车牌越亮;
- 24 为模糊度,数值越小车牌越模糊。
单例再现
在知道数据大体情况和每张图片携带的信息后,其实可以情景再现,下面任选一张图片,提取像素信息和位置信息和内容信息进行展示以便更好的掌握数据集具体情况。
# -*- encoding: utf-8 -*-
'''
@Project : license_plate
@Desc : 车牌识别,包括车牌语义分割,车牌识别
@Time : 2023/04/19 20:42:53
@Author : 帅帅de三叔,zengbowengood@163.com
'''
import os
from PIL import Image, ImageDraw, ImageFont
provincelist = [
"皖", "沪", "津", "渝", "冀",
"晋", "蒙", "辽", "吉", "黑",
"苏", "浙", "京", "闽", "赣",
"鲁", "豫", "鄂", "湘", "粤",
"桂", "琼", "川", "贵", "云",
"西", "陕", "甘", "青", "宁",
"新"]
wordlist = [
"A", "B", "C", "D", "E",
"F", "G", "H", "J", "K",
"L", "M", "N", "P", "Q",
"R", "S", "T", "U", "V",
"W", "X", "Y", "Z", "0",
"1", "2", "3", "4", "5",
"6", "7", "8", "9"]
def DrawBox(im, box): #车牌边框
draw = ImageDraw.Draw(im)
draw.rectangle(box, outline='red', width=3)
def DrawPoint(im, points):#绘制车牌四个边界点
draw = ImageDraw.Draw(im)
for p in points:
radius =3
draw.ellipse((p[0]-radius, p[1]-radius, p[0]+radius, p[1]+radius), fill='green')
def DrawLable(im, label): #绘制车牌
draw = ImageDraw.Draw(im)
font = ImageFont.truetype('simsun.ttc', 64)
draw.text((30, 30), label, font=font, fill='red')
def ImgShow(imgpath, box, points, label): #显示效果
im = Image.open(imgpath)
DrawBox(im, box)
DrawPoint(im, points)
DrawLable(im, label)
im.show()
im.save(r"D:项目车牌result.jpg")
if __name__=="__main__":
imgpath = r"D:项目车牌CCPDCCPD2019ccpd_base1-86_91-298&341_449&414-458&394_308&410_304&357_454&341-0_0_14_28_24_26_29-124-24.jpg"
im = Image.open(imgpath)
imgname = os.path.basename(imgpath).split('.')[0]
_,_,box, points,label,brightness,blurriness = imgname.split('-')
box = box.split('_')
box= [tuple(map(int, i.split('&'))) for i in box]
# DrawBox(im, box)
# im.show() #显示带车牌框的图片
points = points.split('_')
points = [tuple(map(int, i.split('&'))) for i in points]
# DrawPoint(im, points)
# im.show()
label = label.split('_')
province = provincelist[int(label[0])]
word = [wordlist[int(i)] for i in label[1:]]
label = province+''.join(word)
# print(label)
# DrawLable(im, label)
# im.show()
ImgShow(imgpath,box,points,label)
展示效果如下
从展示效果图可以看到车牌框圈出来了,车牌四个角也用绿色点描上了,车牌内容也在左上角标注了,是不是对数据集有了更深的了解呢?
加载本地车牌数据集
参考文献
1,CCPD车牌数据集介绍
https://blog.csdn.net/LuohenYJ/article/details/117752120
https://blog.csdn.net/guyuealian/article/details/128704181
2,图像语义分割
https://huggingface.co/docs/transformers/tasks/semantic_segmentation
3,基于深度学习的车牌检测识别(Pytorch)(ResNet +Transformer)
https://blog.csdn.net/weixin_48866452/article/details/120319588
4,pytorch加载自己的图片数据集的两种方法
https://blog.csdn.net/qq_53345829/article/details/124308515
5,pytorch的 Custom Dataset
https://pytorch.org/tutorials/beginner/basics/data_tutorial.html
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net
相关推荐: CentOS7/8 安装 5+ 以上的Linux kernel
CentOS以稳定著称,稳定在另外一方面就是保守。所以CentOS7还在用3.10,CentOS8也才是4.18。而当前最新的Linux Kernel都更新到6.0 rc3了。其他较新的发行版都用上了5.10+的版本。本文简单介绍如何在CentOS7、8上直接…