基于yolov3+LPRnet使用CCPD2020数据集训练的车牌识别源码+模型+详细使用说明.zip

# YOLOv3 SPP + LPRnet ## 1 环境配置： * Python3.6或者3.7 * Pytorch1.7.1(注意：必须是1.6.0或以上，因为使用官方提供的混合精度训练1.6.0后才支持) * pycocotools(Linux: ```pip install pycocotools```; Windows: ```pip install pycocotools-windows```(不需要额外安装vs)) * 更多环境配置信息，请查看```requirements.txt```文件 * 最好使用GPU训练 ## 2 文件结构： ``` ├── cfg: 配置文件目录 │ ├── hyp.yaml: 训练yolo网络的相关超参数 │ └── yolov3-spp.cfg: yolov3-spp网络结构配置 │ ├── data: 存储训练yolo网络的数据集相关信息缓存 │ ├── runs: 保存训练过程中生成的所有tensorboard相关文件 ├── build_utils: 搭建训练yolo网络时使用到的工具 │ ├── datasets.py: 数据读取以及预处理方法 │ ├── img_utils.py: 部分图像处理方法 │ ├── layers.py: 实现的一些基础层结构 │ ├── parse_config.py: 解析yolov3-spp.cfg文件 │ ├── torch_utils.py: 使用pytorch实现的一些工具 │ └── utils.py: 训练网络过程中使用到的一些方法 │ ├── train_utils: 训练yolo网络时使用到的工具(包括多GPU训练以及使用cocotools) ├── test_utils: LPR网络的构建使用到的工具 ├── LPR_model: LPR网络的构建 ├── result: 存放predict的结果 ├── My_LPRnet_Dataset: 处理好的LPR网络数据集 ├── My_yolo_dataset: 处理好的yolo网络数据集 ├── weights: 所有训练权重 │ ├── yolov3-spp-ultralytics-512.pt: yolo网络的预训练权重 │ ├── yolov3spp-29.pt: yolo网络训练好的权重（第30个epoch） │ ├── myLPRweight.pt: 自己训练好的LPR权重（用CCPD2020新能源车牌训练） │ ├── Final_LPRNet_model.pth: 使用蓝绿牌混合训练的LPR权重 │ ├── model.py: yolo模型搭建文件 ├── train.py: yolo训练针对单GPU或者CPU的用户使用 ├── train_multi_GPU.py: yolo训练针对使用多GPU的用户使用 ├── trans_voc2yolo.py: 将voc数据集标注信息(.xml)转为yolo标注格式(.txt) ├── train_LPRNet.py: LPRnet训练 ├── CCPD_trans_YOLOdataset.py: 将CCPD数据集转为yolo标注格式 ├── CCPD_trans_LPRdataset.py: 将CCPD数据集转为LPRnet需要的格式 ├── calculate_dataset.py: 1)统计训练集和验证集的数据并生成相应.txt文件 │ 2)创建data.data文件 │ 3)根据yolov3-spp.cfg结合数据集类别数创建my_yolov3.cfg文件 └── predict_test.py: 简易的预测脚本，使用训练好的权重进行预测测试 ``` ## 3 训练数据的准备以及目录结构 * 这里建议标注数据时直接生成yolo格式的标签文件```.txt```，推荐使用免费开源的标注软件(支持yolo格式)，[https://github.com/tzutalin/labelImg](https://github.com/tzutalin/labelImg) * 如果之前已经标注成pascal voc的```.xml```格式了也没关系，我写了个voc转yolo格式的转化脚本，4.1会讲怎么使用 * 测试图像时最好将图像缩放到32的倍数 * 标注好的数据集请按照以下目录结构进行摆放: ``` ├── my_yolo_dataset 自定义数据集根目录 │ ├── train 训练集目录 │ │ ├── images 训练集图像目录 │ │ └── labels 训练集标签目录 │ └── val 验证集目录 │ ├── images 验证集图像目录 │ └── labels 验证集标签目录 ``` ## 4 利用标注好的数据集生成一系列相关准备文件，为了方便我写了个脚本，通过脚本可直接生成。也可参考原作者的[教程](https://github.com/ultralytics/yolov3/wiki/Train-Custom-Data) ``` ├── data 利用数据集生成的一系列相关准备文件目录 │ ├── my_train_data.txt: 该文件里存储的是所有训练图片的路径地址 │ ├── my_val_data.txt: 该文件里存储的是所有验证图片的路径地址 │ ├── my_data_label.names: 该文件里存储的是所有类别的名称，一个类别对应一行(这里会根据```.json```文件自动生成) │ └── my_data.data: 该文件里记录的是类别数类别信息、train以及valid对应的txt文件 ``` ### 4.1 将VOC标注数据转为YOLO标注数据(如果你的数据已经是YOLO格式了，可跳过该步骤) * 使用```trans_voc2yolo.py```脚本进行转换，并在```./data/```文件夹下生成```my_data_label.names```标签文件， * 执行脚本前，需要根据自己的路径修改以下参数 ```python # voc数据集根目录以及版本 voc_root = "./VOCdevkit" voc_version = "VOC2012" # 转换的训练集以及验证集对应txt文件，对应VOCdevkit/VOC2012/ImageSets/Main文件夹下的txt文件 train_txt = "train.txt" val_txt = "val.txt" # 转换后的文件保存目录 save_file_root = "/home/wz/my_project/my_yolo_dataset" # label标签对应json文件 label_json_path = './data/pascal_voc_classes.json' ``` * 生成的```my_data_label.names```标签文件格式如下 ```text aeroplane bicycle bird boat bottle bus ... ``` ### 4.2 根据摆放好的数据集信息生成一系列相关准备文件 * 使用```calculate_dataset.py```脚本生成```my_train_data.txt```文件、```my_val_data.txt```文件以及```my_data.data```文件，并生成新的```my_yolov3.cfg```文件 * 执行脚本前，需要根据自己的路径修改以下参数 ```python # 训练集的labels目录路径 train_annotation_dir = "/home/wz/my_project/my_yolo_dataset/train/labels" # 验证集的labels目录路径 val_annotation_dir = "/home/wz/my_project/my_yolo_dataset/val/labels" # 上一步生成的my_data_label.names文件路径(如果没有该文件，可以自己手动编辑一个txt文档，然后重命名为.names格式即可) classes_label = "./data/my_data_label.names" # 原始yolov3-spp.cfg网络结构配置文件 cfg_path = "./cfg/yolov3-spp.cfg" ``` ## 5 预训练权重下载地址（下载后放入weights文件夹中）： * ```yolov3-spp-ultralytics-416.pt```: 链接: https://pan.baidu.com/s/1cK3USHKxDx-d5dONij52lA 密码: r3vm * ```yolov3-spp-ultralytics-512.pt```: 链接: https://pan.baidu.com/s/1k5yeTZZNv8Xqf0uBXnUK-g 密码: e3k1 * ```yolov3-spp-ultralytics-608.pt```: 链接: https://pan.baidu.com/s/1GI8BA0wxeWMC0cjrC01G7Q 密码: ma3t * ```CCPD2020训练集、yolov3spp-29.pt、My_LPRnet_Dataset```: 链接: https://pan.baidu.com/s/1w4-BW1JIEmA69KTwPmQrOQ?pwd=4asd 密码: 4asd ## 7 使用方法 * 确保提前准备好数据集 * 确保提前下载好对应预训练模型权重 * 若要使用单GPU训练或者使用CPU训练，直接使用train.py训练脚本 * 若要使用多GPU训练，使用```python -m torch.distributed.launch --nproc_per_node=8 --use_env train_multi_GPU.py```指令,```nproc_per_node```参数为使用GPU数量 ## 如果对YOLOv3 SPP网络原理不是很理解可参考 [https://www.bilibili.com/video/BV1yi4y1g7ro?p=3](https://www.bilibili.com/video/BV1yi4y1g7ro?p=3)