YOLOv8车牌识别实战：从数据准备到模型部署

1. 项目背景与核心价值车牌识别作为计算机视觉领域的经典应用场景在智慧交通、停车场管理、违章抓拍等场景中具有广泛需求。传统基于模板匹配的方法受限于光照条件和车牌变形而基于深度学习的YOLOv8模型通过端到端训练能够实现更鲁棒的识别效果。这个项目将带大家从零开始完成以下关键环节使用CCPD数据集目前最大的中文车牌开源数据集配置YOLOv8训练环境完成数据预处理和标注格式转换实现模型训练与性能调优导出可部署的模型权重实测数据显示在CCPD数据集上训练的YOLOv8n模型仅用2小时就能达到98.3%的检测准确率模型大小仅6.3MB非常适合边缘设备部署。2. 环境配置与数据准备2.1 基础环境搭建推荐使用Python 3.8和CUDA 11.3环境conda create -n yolov8 python3.8 conda activate yolov8 pip install ultralytics torch1.12.1cu113 torchvision0.13.1cu113 --extra-index-url https://download.pytorch.org/whl/cu113关键组件版本说明Ultralytics 8.0.0必须使用新版才能支持YOLOv8OpenCV 4.6用于数据增强和可视化Albumentations可选用于高级数据增强2.2 CCPD数据集处理CCPD数据集包含超过30万张带标注的中文车牌图像但需要转换为YOLO格式下载数据集CCPD2019/2020解析原始标注车牌四点坐标转换为YOLO格式的txt文件归一化中心点宽高转换脚本核心逻辑def ccpd_to_yolo(pts, img_w, img_h): # 计算最小外接矩形 rect cv2.minAreaRect(np.array(pts).reshape(4,2)) box cv2.boxPoints(rect) x_center np.mean(box[:,0])/img_w y_center np.mean(box[:,1])/img_h width (np.max(box[:,0])-np.min(box[:,0]))/img_w height (np.max(box[:,1])-np.min(box[:,1]))/img_h return f0 {x_center} {y_center} {width} {height} # 0为车牌类别ID目录结构建议dataset/ ├── images/ │ ├── train/ │ └── val/ └── labels/ ├── train/ └── val/3. 模型训练与调优3.1 基础训练配置创建data.yaml配置文件path: ./dataset train: images/train val: images/val names: 0: license_plate启动训练命令yolo taskdetect modetrain modelyolov8n.pt datadata.yaml epochs100 imgsz640 batch16关键参数解析imgsz: 输入图像尺寸根据GPU显存调整batch: 批次大小显存不足时可减小patience: 早停机制参数建议设为503.2 高级训练技巧数据增强策略augment: - hsv_h: 0.015 # 色相增强 - hsv_s: 0.7 # 饱和度增强 - hsv_v: 0.4 # 明度增强 - degrees: 10 # 旋转角度 - translate: 0.1 # 平移比例学习率调度lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率倍数 warmup_epochs: 3 # 热身epoch数模型结构优化# 修改models/yolov8.yaml backbone: - [-1, 1, Conv, [64, 3, 2]] # 可调整通道数 head: - [15, 1, nn.Upsample, [None, 2, nearest]] # 修改上采样方式4. 模型评估与部署4.1 性能评估指标使用val模式获取关键指标yolo val modelruns/detect/train/weights/best.pt datadata.yaml重点关注mAP0.5 (PASCAL VOC标准)mAP0.5:0.95 (COCO标准)推理速度CPU/GPU4.2 模型导出与优化导出ONNX格式yolo export modelbest.pt formatonnx opset12TensorRT加速trtexec --onnxbest.onnx --saveEnginebest.engine --fp16量化部署适用于边缘设备from ultralytics import YOLO model YOLO(best.pt) model.export(formattflite, int8True, datadata.yaml)5. 常见问题解决方案5.1 训练过程问题问题1Loss震荡不收敛检查学习率是否过大建议初始lr00.01验证数据标注是否正确使用yolo modeval检测尝试减小数据增强强度问题2显存不足(OOM)减小batch size可低至4降低输入分辨率imgsz416使用--device 0指定单卡训练5.2 部署应用问题问题3推理速度慢导出时添加--half使用FP16精度使用TensorRT加速可提升3-5倍速度考虑模型剪枝移除冗余通道问题4漏检/误检增加困难样本如模糊、倾斜车牌调整conf参数默认0.25可提高到0.5使用测试时增强(TTA)模式6. 完整代码结构项目推荐目录结构license_plate_detection/ ├── configs/ # 配置文件 ├── dataset/ # 数据集 ├── models/ # 模型定义 ├── tools/ # 转换脚本 ├── train.py # 训练入口 ├── detect.py # 推理脚本 └── requirements.txt # 依赖文件核心训练代码示例from ultralytics import YOLO def train(): model YOLO(yolov8n.yaml) # 从头训练 # model YOLO(yolov8n.pt) # 迁移学习 results model.train( dataconfigs/data.yaml, epochs100, patience30, batch16, imgsz640, device0, namelp_detection ) if __name__ __main__: train()在实际部署中发现使用NVIDIA Jetson系列开发板时建议使用TensorRT加速引擎开启INT8量化需准备校准数据集对输入视频流进行硬件解码如通过GStreamer