STNet 进行空间校正 + LPRNet 进行车牌识别
目前在 CCPD 数据集下，各类作为一个整体，以 half 模式运行测试，最终 macc 约为 93.5%
-
下载并安装 Conda
-
运行下列命令安装依赖
conda create --name py38 python=3.8 conda activate py38 # 建议加到 .bashrc 中，不然每次都要先执行 conda install -c pytorch pytorch conda install -c conda-forge accimage opencv onnx conda install tqdm tensorboard numpy conda install -c anaconda flask pip install thop -
下载 CCPD 数据集，放到任意位置
-
运行下列命令进行训练
python train.py --source-dir /data/CCPD2019
-
运行下列命令进行测试
python test.py --source-dir /data/CCPD2019 --weights weights/final.pt
- 如果之前训练时中断了，使用 --weights 加载之前的模型继续训练
- 如果内存充足，建议启用 --cache-images 参数来加快训练，这大约需要 5.5GiB 的内存
- 过小的 batch-size 会引起不稳定，梯度震荡比较严重
- 过大的 batch-size 会引起收敛速度慢，需要更多的 epochs 才能得到同样的精度
- 不建议手动指定 --workers
- 由于现在 ST 和 LPR 是一起训练的，所以多少还有些玄学的东西，如果到 50 epochs，macc 还没上 0.8，就干脆弃了重炼一炉吧
-
运行下列命令进行运行下列命令提供 Web API
python web.py --weights weights/final.pt
-
剪枝
python prune.py --source-dir /data/CCPD2019 --weights weights/final.pt
- 效果极差，不建议使用
-
ONNX
python export.py --weights weights/final.pt
- 目前的 pytorch 无法正确的导出 STNet，因此实际上它是不可用的
请先将车牌部分切割出来再提交，否则基本无法识别
- POST /api/ml/st_lpr
- 请求
- img 被识别的图片，采用常规 upload 文件的方式上传
- rect 可选，用逗号分割的坐标点列表
- 设 r1 为区域 1，r2 为区域 2，依此类推
- r1x1,r1y1,r1x2,r1y2,r2x1,r2y1,r2x2,r2y2,r3x1,r3y1,r3x2,r3y2...
- 会通过这组坐标从图片中切割出车牌部分
- 响应
- 识别到的车牌内容列表
/data 数据加载器
|-- ccpd.py 用于遍历 source-dir 目录中的 CCPD 数据集，提供基本的数据解析
|-- dataset.py 基于 CCPD 数据集制作的 Pytorch Dataset 实现
/model 模型
|-- lprnet.py LPRNet 实现
|-- st.py STNet 实现
/runs
|-- /api WebAPI 的日志文件
|-- /cache 缓存文件
|-- /exp* 训练时的数据输出目录，每次启动会自动自增 + 1
|-- weights 输出的模型文件
|-- last.pt 目前最新一次完成的 epoch 保存的数据
|-- best.pt 训练过程中，测试得到最高 acc 的模型
|-- final.pt 跑完所有 epoch 后保存的最终模型文件，注意，不应使用此文件继续训练，请使用 last.pt 继续训练
/weights
|-- final.pt 已训练好的模型，方便快速开始测试、产品部署，但不应用其继续训练
- 原仓库
- 模型和原始代码来自这里
- YOLO5
- 代码中大部分改动都照抄的这边
- Pytorch Tutorials (ST)
- 注意，此文写于 pytorch 1.3 发布之前
- Pytorch Tutorials (Flask)
- Pytorch Tutorials (Prune)
- 分别训练 STNet 和 LPRNet
- 双行车牌支持