基于YOLOv7+LPRNet算法实现车牌实时识别检测系统源码+项目说明（满分）

# YOLOV7+LPRnet实现车牌识别 yolov7采用[bubbliiiing](https://github.com/bubbliiiing),B导的[yolov7pytorch](https://github.com/WongKinYiu/yolov7)实现版本，有很详细的中文注释， 采用[CCPD2019](https://github.com/detectRecog/CCPD)中的很少一部分数据集（12k张）进行了车牌检测训练， 所以效果一般，并且LPRnet没有进行专门训练，采用的是[这个仓库](https://github.com/sirius-ai/LPRNet_Pytorch)自带的LPRnet训练权重 yolov7的训练在这个仓库[yolov7pytorch](https://github.com/WongKinYiu/yolov7)有很详细的教程，我就不过多赘述，训练好后在yolocarid.py 这个文件中修改了路径就行 LPRnet的训练也很简单，将CCPD数据集转换成LPRnet训练数据集格式网上有很多教程，主要就是已图片文件名做标签， 训练好后的模型，将main.py中的超参数pretrained_model改成相应模型路径即可。 ## 运行 ### 1.环境：如果环境从0开始，运行指令 ```shell pip install -r zero2allrequirements.txt ``` 安装文件中的库（可能不全，报错提示模块缺少可以再安装） 推荐： 使用conda先搭建安装好pytorch的虚拟环境，包括numpy,matplotlib，scipy这些库之后，再运行下面这条指令： ```shell pip install -r notzero2allrequirements.txt ``` 这样错误会少，容易安装 安装慢请使用镜像源 ### 2.运行 保证权重模型路径正确后，直接运行 main.py 即可，里面有超参数，检测模式参数等等可以调，看注释调整就行 ## 预训练权重网盘链接： 百度网盘： best_epoch_weights.pth(放根目录model_data文件夹中)： 链接: https://pan.baidu.com/s/1OlljN60S1ZJBc0rdCROFPA 提取码: i4x6 Final_LPRNet_model.pth（放到LPRNet文件夹中的weight文件夹中）： 链接: https://pan.baidu.com/s/1Ukq4NWMBbUEKZtD7iq-FwQ 提取码: aztp ## Reference https://github.com/WongKinYiu/yolov7 https://github.com/bubbliiiing/yolov7-pytorch https://github.com/sirius-ai/LPRNet_Pytorch https://github.com/detectRecog/CCPD