Python+YOLOv5+LPRNet：深度学习车牌识别系统源码实战

简介这是一套基于Python与深度学习的车牌识别系统完整源码主要面向计算机视觉、人工智能方向的毕业设计学习者适用于智能交通、停车场管理等自动识别场景。系统覆盖图像预处理、CNN模型训练与字符识别、MySQL数据库存储、Flask后端服务等关键环节并配套前端页面与交互逻辑可帮助开发者快速理解从模型训练到Web部署的完整链路。压缩包共862个文件包含Python源码与编译后的pyc文件、HTML/CSS/JS前端资源、大量GIF/PNG图片素材、MySQL建表SQL脚本以及说明文档和演示PPT等整体大小约27.81MB目录结构较为完整。目前已有142人学习下载适合需要完整项目参考、快速搭建车牌识别Demo或进行毕设二次开发的读者。1. 车牌识别系统为什么值得自己用 Python 搭一套先看清这套源码在解决什么停车场进出口的车牌相机、违章抓拍的电警杆、小区地库的道闸背后跑的都是同一类东西先找到画面里那块车牌再把上面的字符读出来。这套 Python 写的深度学习车牌识别系统源码干的正是这两件事——用目标检测网络把车牌从复杂背景里框出来再用字符识别网络把框里的汉字、字母、数字转成字符串。它不是让你对着屏幕看代码的玩具而是能直接接摄像头、接图片目录、接 HTTP 请求的一套可用工程。如果你正在做毕业设计、接了个车牌识别的外包小项目或者公司要做一个园区出入管理原型这套代码是很好的起点。它的价值在于把深度学习里两个最常用的任务——检测和识别——串成一条完整流水线而且每个环节都能单独替换检测网络换掉、识别网络换掉、后处理规则改掉都不影响整体结构。下面我就按「选型 → 跑通 → 训练 → 排错 → 封装」的顺序把这套系统的落地路径完整拆一遍。2. 从一张车牌到一串字符深度学习车牌识别的两条技术路线与选型理由2.1 端到端 vs 检测识别架构怎么选车牌识别在工程上就两条主流路线。一条是端到端输入整张图直接输出车牌字符串典型代表是 LPRNet 这类基于 CNN 和 CTC 的模型还有近两年用 transformer 做的。另一条是两阶段先做目标检测找到车牌区域再对裁剪出来的车牌小图做字符识别检测用 YOLO、SSD、Faster R-CNN识别用 LPRNet、CRNN 或者轻量 CNN。这套源码用的是两阶段也是我平时接项目最常用、最不容易翻车的方案。为什么不用端到端端到端模型对车牌的位置变化很敏感。同一张图里出现两个车牌或者车牌被遮挡一半端到端模型经常直接崩溃而两阶段模型先靠检测把区域锁死识别网络只面对一块规整的矩形区域鲁棒性高了一个量级。另一个现实考虑是调试两阶段模型哪个环节出错可以单独看检测框画歪了是检测的问题框正了字还错是识别的问题定位很清晰。端到端模型出了问题黑匣子一样只能整体重训。两阶段模型的缺点是推理链路长、延迟高一点但对停车场、卡口这种场景单张图 3050ms 完全够用。如果你的需求是高速移动车辆抓拍或者要对视频流做逐帧实时识别那才需要认真评估端到端模型。做毕设和业务原型优先两阶段稳。2.2 检测用 YOLOv5识别用 LPRNet为什么这对组合最省心检测网络我一般直接选 YOLOv5。它虽然已经不是最新的但生态太成熟了预训练权重好找、训练脚本齐全、导出 ONNX 和 TensorRT 都顺手而且对车牌这种小目标把输入分辨率调到 640×640 就够。比 YOLOv8 少了些新特性但对车牌识别这个任务没区别。YOLOv5 的 s 模型只有 7M 左右参数CPU 上也能跑到十几帧性价比很高。识别网络用 LPRNet它是专门为车牌设计的轻量 CNN 模型没有 RNN也没有 transformer就是一个 CNN 加 CTC 损失。车牌字符序列是固定长度 7 个普通蓝牌但汉字、字母、数字的字符集不小CTC 刚好能处理这种不定长序列对齐问题。LPRNet 的另一个好处是模型极小MobileNet 级别的参数量CPU 推理一张车牌小图只要几毫秒。相比 CRNNLPRNet 不需要特征图按时间步展开结构简单训练也快。整套流水线在代码里是这样组织的先 YOLOv5 检测拿到车牌框的坐标按坐标裁剪原图做一次仿射矫正如果有倾斜再送进 LPRNet 识别。识别结果是一串字符比如「京A12345」但网络输出是每个位置的字符概率还需要一个解码步骤把概率转成最终字符串。这套源码里最核心的就是这条三明治链路理解它后面替换任何一层都不慌。2.3 识别网络里的 CNN 到底在做什麼从输入到字符概率很多人拿到识别模型就直接跑不知道里面发生了什么。LPRNet 的输入是裁剪后的车牌图通常缩放到 94×24 左右三个通道。经过若干卷积层和下采样特征图变成宽 18、高 1 的序列每个位置对应原图的一段横向区域。最后的全连接层对每个位置输出一个概率分布分布长度等于字符集大小比如 70 类。这 18 个位置上的字符概率再用 CTC 解码找出最大概率路径就得到车牌号。这里有个关键点车牌字符数是固定的 7 个但网络并不直接输出 7 个字符而是输出 18 个时间步的特征。因为字符宽度不均比如「1」很窄「W」很宽网络需要学会在每个字符上「停留」一个或多个时间步。CTC 训练时允许重复字符合并也允许在字符间插入空白符。所以训练 LPRNet 时不需要精确标注每个字符的像素位置只要给整串车牌号就行这大大降低了标注成本。理解了这一步你才能明白为什么识别网络对输入图的透视畸变那么敏感——畸变会让字符横向拉伸时间步对齐就乱了。3. 把源码跑起来环境搭建与最小推理命令3.1 环境依赖清单与安装顺序这套源码的依赖不算多核心是 PyTorch、OpenCV、NumPy 和 PyYAML。Python 版本建议 3.83.11别用 3.12有些老版本的 torchvision 还没适配。先装 PyTorch再装其它库顺序错了容易把 OpenCV 的依赖搞乱。很多新手在这里翻车先pip install opencv-python再装 torch结果 torch 把 numpy 版本降了OpenCV 直接 ImportError。# 建议用虚拟环境别装在系统 Python 里 python -m venv lpr_env source lpr_env/bin/activate # Windows 下是 lpr_env\Scripts\activate # 先装 PyTorch CPU 版本起步跑通了再加 CUDA pip install torch torchvision --index-url https://download.pytorch.org/whl/cpu # 再装视觉和工具库 pip install opencv-python numpy pyyaml tqdm requests # 如果要用 GPU重新装一遍 cu118 或 cu121 对应的 torch # pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118这里的--index-url参数指定了 PyTorch 官方源不用这个参数的话默认源装出来的可能是 CPU 版或者版本不匹配。先装 CPU 版把流程跑通再升级 GPU 版是稳妥做法。OpenCV 一定要装opencv-python不是opencv-contrib-python后者虽然功能全但有些版本和 torch 的 libgcc 冲突。装完跑python -c import cv2, torch, numpy; print(cv2.__version__, torch.__version__, numpy.__version__)验证三个版本都打印出来再往下走。3.2 用预训练权重跑通一张图的完整流程源码里一般会带detect.py或者demo.py文件名可能不一样但流程是固定的加载检测模型加载识别模型读图推理打印结果。我把它简化成最小可运行脚本方便你先确认模型和权重没有问题。# run_demo.py import cv2 import torch from detector import Detector # 假设源码封装了 YOLOv5 from recognizer import Recognizer # 假设源码封装了 LPRNet # 初始化模型 det Detector(weightsweights/yolov5s_lp.pt, devicecpu) rec Recognizer(weightsweights/lprnet_lp.pth, devicecpu) # 读图 img cv2.imread(test_imgs/京A12345.jpg) img_rgb cv2.cvtColor(img, cv2.COLOR_BGR2RGB) # 检测车牌区域 boxes det.detect(img_rgb, conf_thres0.5, iou_thres0.45) for box in boxes: x1, y1, x2, y2, score box crop img_rgb[y1:y2, x1:x2] # 裁剪车牌区域 plate rec.recognize(crop) # 识别字符 print(f车牌: {plate}, 置信度: {score:.2f}) # 画框 cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, plate, (x1, y1 - 10), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 255, 0), 2) cv2.imwrite(result.jpg, img)这段脚本把检测和识别串起来了。Detector和Recognizer是源码里封装的类内部做了预处理、推理、后处理。注意detect方法返回的坐标是像素整数值裁剪时直接用 NumPy 切片就行。这里有个细节recognize的输入最好用 RGB 还是 BGR要看你训练时怎么处理的。我见过好几个人在这里吃了亏——训练时用的是 OpenCV 的 BGR 读图推理时却转了 RGB结果识别率掉了 30%。所以拿到源码第一步要看训练脚本里有没有cvtColor保持输入颜色空间一致。3.3 参数说明conf_thres、iou_thres 和车牌区域裁剪的边界上面代码里的conf_thres0.5是检测框置信度阈值低于这个分数的框会被过滤。iou_thres0.45是 NMS 的 IoU 阈值决定重叠框要不要合并。这两个参数直接影响识别结果阈值调高了漏检增多但不是误检调低了可能出现一个车牌框好几个框的情况识别时重复输出。我一般这样设置固定场景的相机角度固定、距离固定置信度阈值设 0.6因为画面里位置固定检测很稳定移动拍摄或者复杂背景设 0.4。iou_thres默认 0.45 基本不用动除非一辆车前后两个车牌离得很近或者画面里有两辆车交叠才考虑调到 0.5 以上。裁剪车牌区域时还有一个隐藏坑检测框往往比车牌实际区域大一圈。直接按框裁剪会把车身上的纹理、反光边缘带进去。LPRNet 对这种噪声很敏感。常见做法是裁剪后再做一次边缘精修用轮廓查找把最小外接矩形给出来或者按比例收缩 5%10%。源码里如果没做这步建议自己加上。def refine_crop(img, box, shrink_ratio0.08): x1, y1, x2, y2 box[:4] w, h x2 - x1, y2 - y1 nx1 int(x1 w * shrink_ratio) nx2 int(x2 - w * shrink_ratio) ny1 int(y1 h * (shrink_ratio * 0.5)) # 上下方向适当少缩 ny2 int(y2 - h * (shrink_ratio * 0.5)) return img[ny1:ny2, nx1:nx2]shrink_ratio作用是去掉车牌边缘的背景像素但缩放太多会把字符切掉。蓝牌字符通常不贴边8% 左右是安全值。如果是新能源绿牌上下边缘有很多装饰元素这个比例要减半。做项目时我会把refine_crop做成可配置参数不同闸机场景用不同值。4. 自己训练一个车牌识别模型数据集准备与训练配置4.1 车牌数据集从哪来公开数据集与自采标注源码自带的预训练权重一般够跑 demo但要应对你实际场景里的车牌——比如某个城市的出租车牌、特殊字体、倾斜角度——就必须自己微调。公开数据集里比较常用的是 CCPD中国车牌数据集它包含了上万张不同场景、不同角度的车牌图片标注格式是 JSON直接可以用来训练检测网络。缺点是它图像分辨率偏小拍摄距离近和卡口相机拍出来的图风格差异大。另一种做法是自采数据从你的闸机相机或者手机拍一段视频抽帧然后用图像标注工具常见的是 labelimg框出车牌位置存成 VOC 或 YOLO 格式。识别网络的数据更好准备裁剪出每张车牌图标注字符串就是文件名比如京A12345.jpg训练时直接从文件名读标签。网上的「免费 python 源码大全」里能找到一些车牌数据集整理包但质量参差不齐有的蓝牌几百张、新能源绿牌一张没有。拿到数据集先做一件事统计字符集覆盖度。用脚本跑一遍所有标签列出每个字符出现次数低于 20 次的字符基本会被模型忽略。我看到太多项目「识别率 95%」的报告实际测试集里那些生僻字一个都没有——这就是典型的字符集不平衡。4.2 训练脚本与超参数设置从预训练权重继续微调训练检测和识别是两个独立过程。检测网络直接用 YOLOv5 官方仓库的train.py把数据集路径改掉预训练权重用官方yolov5s.pt就行。车牌是一个类别所以类别数设 1。关键超参数是img_size640、batch_size根据显存来、epochs100起步。训练时把--patience设为 20连续 20 个 epoch 验证集 mAP 不涨就自动停防止过拟合。识别网络 LPRNet 训练稍微特殊一点它需要把数据集按比例分成 train 和 val每个样本是一张车牌图和对应的字符串。核心超参数如下# config.py 中的关键参数 BATCH_SIZE 64 # 显存不够就减半 EPOCHS 80 LEARNING_RATE 0.001 OPTIMIZER adam # Adam 比 SGD 稳少调参数 CTC_BLANK 0 # CTC 空白符索引 CHARS 京沪津渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼使领ABCDEFGHJKLMNPQRSTUVWXYZ0123456789CHARS字符串顺序很重要它就是识别的类别索引。训练时标签字符必须能在这个字符串里找到找不到就报错。这里有个容易踩的坑字母I和O在车牌里基本不用因为和数字 1、0 太像所以字符集里没有它们。如果你的训练数据里混进了带I的车牌那要么忽略要么映射成1。# train_rec.py 的核心训练循环 for batch in dataloader: images batch[image].to(device) # (B, 3, 24, 94) labels batch[label] # 字符串列表 targets [image_to_target(l, rec.char2idx) for l in labels] targets [t.ctc_loss_format() for t in targets] # 转 CTC 格式 logits model(images) # (B, 18, num_classes) loss ctc_loss(logits, targets, input_lengths, target_lengths) optimizer.zero_grad() loss.backward() optimizer.step()ctc_loss来自torch.nn.CTCLoss需要传input_lengths每个样本的时间步数这里是 18和target_lengths每个车牌的字符数通常是 7。这里最容易出错的不是模型而是标签预处理。车牌标签「京A12345」要拆成字符索引序列比如[0, 10, 27, 28, 29, 30, 31]注意 28 表示数字 1、29 表示数字 2和字符集一一对应。字符集里没有小写所有标签统一大写。4.3 数据增强对抗光照和模糊的常用手段车牌识别的难点从来不是「干净车牌」而是脏、暗、斜、糊。不做增强模型在真实场景里立刻现原形。我常用的增强策略是随机亮度扰动±30%、随机对比度扰动、随机仿射变换旋转 ±10°、透视 ±5°、高斯模糊σ 02、随机遮挡模拟污泥盖住一部分车牌。OpenCV 可以自己写也可以用imgaug或albumentations。我建议用albumentations它支持同时处理图像和检测框或分割掩码而且有一些硬件友好的操作比如 CLAHE 自适应直方图均衡对暗光场景提升明显。import albumentations as A from albumentations.pytorch import ToTensorV2 train_transform A.Compose([ A.RandomBrightnessContrast(p0.8, brightness_limit0.2, contrast_limit0.2), A.Affine(rotate(-8, 8), translate_percent(0, 0.05), p0.7), A.GaussianBlur(blur_limit(1, 3), p0.3), A.CLAHE(p0.3, clip_limit(1, 4)), ]) # 训练时对每张车牌小图做增强 aug train_transform(imagecrop) crop_aug aug[image]translate_percent是平移比例控制在 0.05 以内因为车牌字符本身占满整个宽度平移太多会裁掉边缘字符。rotate正负 8 度已经足够超过 15 度CTC 的对齐就乱了。注意检测网络训练时不要做这种裁剪检测要看全图增强只作用于识别模型的输入图。很多新手把检测和识别的增强策略混用结果检测框漂移、识别字符错乱。5. 避坑指南车牌识别落地常见的 5 个坑与排查方法5.1 蓝牌识别很好新能源绿牌全乱颜色归一化问题现象用同一套预训练模型蓝色车牌识别率 99%换成绿色新能源车牌字符频繁错乱尤其是汉字和最后两位数字。原因训练数据里绿牌占比太少。CCPD 数据集基本是蓝牌绿牌是后来才加的种类很多公开权重压根没看过绿牌。另外绿牌背景是渐变色不是纯色字符和背景的对比度在不同光照下差异比蓝牌大。解决至少补 20003000 张绿牌样本。如果实在收集不到先对蓝牌样本做「颜色替换增强」把车牌区域背景从蓝色转成绿色或者反过来用 HSV 色彩空间调换。# 简单颜色替换将蓝色背景转成绿色仅用于数据增强 def blue_to_green(img_bgr): hsv cv2.cvtColor(img_bgr, cv2.COLOR_BGR2HSV) h, s, v cv2.split(hsv) # 蓝色色调在 100~130 之间绿色在 60~80 之间 mask cv2.inRange(h, 100, 130) h[mask] h[mask] - 50 # 蓝转绿 hsv cv2.merge([h, s, v]) return cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)色调减 50 后蓝色变成绿色但字符是白色的不受影响模拟出来的绿牌样本质感很接近真实。但它模拟不了渐变底色所以只能应急真实数据还是要收集。5.2 检测框抖动导致识别结果连续跳变现象处理视频流时同一辆车连续 30 帧车牌字符串在「京A12345」和「京A12343」之间来回跳最后一两位特别不稳。原因检测框每帧有微小偏移裁剪出的车牌图内容在变化。识别网络对字符边缘位置敏感框稍微左移一个像素最后一字符可能就从 5 变 3。这是两阶段方案的固有抖动不是模型坏了。解决引入时序稳定性。常见做法是缓冲最近 N 帧比如 5 帧的结果取出现频率最高的字符串作为最终输出。from collections import Counter result_history [] def stable_result(new_result, history_max5): result_history.append(new_result) if len(result_history) history_max: result_history.pop(0) count Counter(result_history) best, _ count.most_common(1)[0] return best这个策略能解决 90% 的跳变问题。注意history_max不能太大否则车辆驶过时识别结果切换会延迟一辆车从进入到驶离通常只有 12 秒5 帧足够平滑也不迟滞。另外配置闸机时尽量让相机画面里车牌横向占 100 像素以上太小的话框本身就不稳。5.3 汉字识别错得离谱字符集不平衡现象识别结果里汉字部分经常错比如「京」变「津」、「苏」变「鲁」但字母数字基本都对。原因训练数据里各省简称分布极不均匀。如果样本 60% 是京牌那么「京」的梯度更新最频繁「津」可能只出现几百次模型学不好。网络为了降低整体 loss会倾向于把所有汉字预测成出现频率高的那个。解决先统计标签分布对低频字符做过采样。最简单的方法复制低频字符的样本让每个字符出现次数接近。比如目标每个汉字至少 500 次把「津」的样本复制 3 倍。也可以在 loss 里加类别权重但工程上过采样更直接。# 过采样低频字符 def oversample_by_char(dataset, min_count500): char_count count_chars(dataset[labels]) new_data [] for item in dataset: label item[label] chinese label[0] # 第一个字符是省份简称 if char_count[chinese] min_count: repeat min_count // char_count[chinese] 1 new_data.extend([item] * repeat) else: new_data.append(item) return new_data过采样时不要整张图复制同一张要配合随机增强否则模型会记住这张图的纹理而不是泛化。还要留意一个点军用牌照、使馆牌照的字符集和民用不同如果业务里有这些字符集和训练样本都要单独加。5.4 模糊车牌识别率低图像预处理顺序错了现象逆光、运动模糊或夜晚噪点大的车牌识别结果偶尔对偶尔错预处理到底要不要做、做到什么程度很多教程没写清楚。原因预处理顺序不对会带来反效果。比如先锐化再缩放锐化会把噪点放大先直方图均衡再裁剪会扩大背景干扰。解决我固定用这条链路先陡化细节再缩放到网络输入尺寸顺序不能反。def preprocess_plate(crop, target_w94, target_h24): # 1. 灰度 gray cv2.cvtColor(crop, cv2.COLOR_BGR2GRAY) # 2. CLAHE 局部对比度增强 clahe cv2.createCLAHE(clipLimit2.0, tileGridSize(8, 8)) gray clahe.apply(gray) # 3. 轻度去噪 gray cv2.fastNlMeansDenoising(gray, h5) # 4. 缩放 gray cv2.resize(gray, (target_w, target_h)) return grayclipLimit2.0不要设太高太高会出现光晕tileGridSize8×8 对 94×24 这样的小图是合适的。fastNlMeansDenoising比较慢但对夜间噪点效果比高斯滤波好很多。如果推理延迟敏感可以去掉去噪步只用 CLAHE。5.5 推理慢到没法用CPU 上如何提速现象用源码默认参数CPU 跑一张 1920×1080 的停车场图片检测加识别要 300ms视频流根本跑不动。原因YOLOv5s 模型本身不大但源码里可能在 CPU 上用了 FP32而且图像缩放没有限制最大边。还有的源码会把检测、识别、后处理放在三个独立函数里反复调用 OpenCV 的 Mat 转换产生大量临时拷贝。解决先把输入图缩到 640×640或者你的模型训练分辨率再用torch.jit或者 ONNX 导出提速。我最常用的是把 YOLOv5s 导出 ONNX用 OpenVINO 在 CPU 上跑推理速度能翻 35 倍。# 导出 ONNX python export.py --weights weights/yolov5s_lp.pt --include onnx --opset 12 # 或者用脚本转 OpenVINO mo --input_model weights/yolov5s_lp.onnx --output_dir openvino_modelLPRNet 本身很小CPU 上 10ms 以内主要瓶颈在检测。如果还嫌慢把检测模型从 s 换成 nnano或者用 TensorRT 量化到 FP16。注意某些 OpenCV 版本里的dnn模块不能直接用 ONNX 的 NMS 输出需要自己实现 NMS这个坑比较大建议直接用 OpenVINO 或者 PyTorch 的torchvision.ops.nms。6. 把识别结果接到业务里接口封装与效果验证技巧6.1 用 FastAPI 封装成 HTTP 服务前端和摄像头端都能调做系统不只是跑通脚本还要让前台上传图片、让闸机程序调用。用 FastAPI 是最轻量的做法它和 Flask 比天然支持异步而且自带 OpenAPI 文档联调方便。# app.py from fastapi import FastAPI, UploadFile import cv2 import numpy as np app FastAPI() det Detector(...) rec Recognizer(...) app.post(/recognize) async def recognize(file: UploadFile): data await file.read() img cv2.imdecode(np.frombuffer(data, np.uint8), cv2.IMREAD_COLOR) boxes det.detect(img) results [] for box in boxes: crop img[box[1]:box[3], box[0]:box[2]] plate rec.recognize(crop) results.append({plate: plate, bbox: box[:4], score: box[4]}) return {results: results} # 启动uvicorn app:app --host 0.0.0.0 --port 8000这里要注意UploadFile读进来的 bytes 不能直接交给 OpenCV必须先imdecode。如果前端上传的是 Base64 字符串还需要先base64.b64decode一下。接口返回的坐标是像素值前端画框需要用这个坐标别漏了score字段调试时很有用。6.2 验证识别效果的指标不要只看准确率跑完 demo 后很多人的「检验」是拿几张测试图看一下这个习惯一定要改。哪怕你的模型准确率到了 99%在 1000 张图里错 10 张你根本不知道错在哪。正确做法是把测试集按场景、字符、颜色分层统计。我每次做车牌识别都会拉一张表格分蓝牌、绿牌、黄牌分类统计字符准确率、整牌准确率、检测 mAP。整牌准确率是最严格的一个字符错就算错字符准确率则相对宽松。如果整牌准确率是 95%但字符准确率是 99%说明大部分错误是单字符错误可以用上一条说的时序平滑来抵消。如果两个都低那问题在检测或预处理。# evaluate.py def eval_accuracy(predictions, targets): char_correct 0 char_total 0 plate_correct 0 for pred, target in zip(predictions, targets): if pred target: plate_correct 1 for p, t in zip(pred, target): if p t: char_correct 1 char_total 1 return { plate_accuracy: plate_correct / len(predictions), char_accuracy: char_correct / char_total, }测试集至少要覆盖白天顺光、白天逆光、夜间、雨天、隧道灯光、车牌倾斜 15 度、车牌部分遮挡。每个场景单独测别混合统计否则你不知道哪个场景拖了后腿。我习惯把测试集做成固定三份A 组是原始干净数据B 组是增强后的数据C 组是视频连续帧。A 组看模型上限B 组看鲁棒性C 组看稳定性。每次改模型或改参数三份都跑一遍对比表格才知道这次改动到底是在进步还是在倒退。另外车牌识别系统最终要接的是闸机不是字典集。闸机的判断逻辑会依赖你的识别结果比如白名单比对。如果你的接口只返回字符串不给置信度闸机端就没法做「低置信度重新抓拍」的策略。所以我建议接口里加一个可配置的置信度阈值低于阈值就把status字段设为low_conf让上层业务决定是否放行还是二次确认。这个细节在很多毕设源码里都没有但实际项目里特别重要。最后说一个我自己的血泪教训车牌识别系统的效果七分在数据三分在模型。我早期迷信换更深的网络把 LPRNet 换成 ResNet 大头模型推理慢了 3 倍准确率只涨了 0.2%。后来把钱花在数据增强和多场景采集上直接把整牌准确率从 88% 拉到 96%。所以拿到源码别急着改模型结构先把你手上的真实数据喂进去看它在哪类场景翻车再做针对性优化。这套 Python 深度学习车牌识别系统源码我的建议就是把它当成一个「可插拔的流水线骨架」把检测、识别、预处理、后处理每个模块独立评估和替换这样才能在你的业务场景里真正用起来而不是跑完 demo 就吃灰。希望帮到你。本文还有配套的精品资源点击获取