1、在此处创建 cnn_plate_train、cnn_plate_test、cnn_char_train 和 cnn_char_test 四个文件夹。
2、cnn_plate.zip 中是车牌区域训练的数据集,可以自己按比例分为训练集和测试集,分别放到 cnn_plate_train 和
cnn_plate_test 两个文件夹中(注意包含 has 和 no 两个子文件夹)。
3、cnn_char.zip 中是字符判断训练的数据集,可以自己按比例分为训练集和测试集,分别放到 cnn_char_train 和
cnn_char_test 两个文件夹中(注意包含各个字符符号的子文件夹)。
注:如果不关注训练模型的准确度,可以不设测试集。
没有合适的资源?快使用搜索试试~ 我知道了~
基于Tensorflow车牌识别的完整项目全部源代码.zip
共13个文件
txt:6个
zip:4个
py:3个
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
1 下载量 49 浏览量
2024-04-17
21:02:31
上传
评论
收藏 82.1MB ZIP 举报
温馨提示
基于Tensorflow车牌识别的完整项目全部源代码.zip 主要识别流程 车牌定位:使用 opencv 库函数进行形态学操作,初步定位车牌位置,得到预选区域 车牌筛选:通过训练好的卷积神经网络,对预选区域进行进一步筛选,得到较准确的车牌图片 字符分割:对车牌图片再次进行形态学操作,然后将车牌图片上的字符分割开 字符识别:最后再用卷积神经网络识别字符,输出结果 车牌筛选 和 字符识别 使用不同的卷积神经网络 基于Tensorflow车牌识别的完整项目全部源代码.zip 操作步骤 首先搭建 Python 3.6.13 的基础环境 然后通过 pip 导入 requirements.txt 中所需的 Python 包 运行 cnn_plate.py 和 cnn_char.py 进行模型的训练 调整 lpr_main.py 中模型的路径,最后运行,输出结果 数据收集和准备:首先,需要收集大量的车牌图像数据,并对其进行标注,标注包括车牌上的字符和数字。然后,将数据集分为训练集和测试集,并进行数据预处理,如调整大小、裁剪和增强。 模型选择和训练:选择合适的深度学习模型,如卷积神经网络(CNN)
资源推荐
资源详情
资源评论
收起资源包目录
基于Tensorflow车牌识别的完整项目全部源代码.zip (13个子文件)
基于Tensorflow车牌识别的完整项目全部源代码.zip
lpr_main.py 19KB
cnn_plate.py 8KB
介绍.txt 994B
data
train
README.txt 644B
cnn_char.zip 13.17MB
cnn_plate.zip 17.59MB
output
README.txt 103B
testset
README.txt 214B
set2.zip 25.32MB
set1.zip 34.21MB
model
README.txt 311B
requirements.txt 496B
cnn_char.py 9KB
共 13 条
- 1
资源评论
程序员张小妍
- 粉丝: 1w+
- 资源: 2632
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功