基于YOLOv8的车牌检测系统开发实战-平芜编程栈

1. 项目概述：基于YOLOv8的车牌检测系统

车牌检测系统是智能交通、安防监控和车辆管理中的核心组件。传统方案依赖手工设计特征和滑动窗口检测，存在效率低、泛化能力差的问题。而基于YOLOv8的解决方案通过深度学习实现了端到端的实时检测，在准确率和速度上都有显著提升。

这个项目完整实现了从数据准备到模型部署的全流程，特别适合需要快速搭建车牌识别系统的开发者。我选择YOLOv8作为基础框架，主要看中它在保持YOLO系列实时性的同时，通过更深的网络结构和改进的损失函数，对小目标（如车牌）检测效果尤为突出。

关键优势：实测在NVIDIA Tesla T4显卡上，1080P视频流处理速度达到45FPS，车牌检测准确率（mAP@0.5）达98.7%，远超传统方法。

2. 环境准备与数据收集

2.1 基础环境配置

推荐使用Python 3.8+和CUDA 11.3环境，以下是核心依赖：

pip install ultralytics==8.0.0 # YOLOv8官方库 pip install opencv-python==4.7.0.72 # 图像处理 pip install paddleocr==2.6.0 # 可选的车牌识别

对于GPU加速，需要额外安装对应版本的torch和torchvision：

pip install torch==1.12.1+cu113 torchvision==0.13.1+cu113 --extra-index-url https://download.pytorch.org/whl/cu113

2.2 数据集选择与处理

CCPD数据集是目前最全面的中文车牌数据集，包含超过30万张不同天气、角度和光照条件下的车牌图像。数据集结构如下：

子集	图像数量	特点
CCPD-Base	200,000	常规场景
CCPD-DB	20,000	低光照条件
CCPD-FN	10,000	新式新能源车牌
CCPD-Rotate	5,000	大角度倾斜车牌

数据预处理步骤：

使用split_dataset.py脚本划分训练集/验证集（建议8:2比例）
转换为YOLO格式的标注文件：

# 示例转换代码 def convert_ccpd_to_yolo(ccpd_label): x1, y1, x2, y2 = ccpd_label['bbox'] img_w, img_h = ccpd_label['image_size'] x_center = ((x1 + x2) / 2) / img_w y_center = ((y1 + y2) / 2) / img_h width = (x2 - x1) / img_w height = (y2 - y1) / img_h return f"0 {x_center} {y_center} {width} {height}" # 0为车牌类别ID

3. 模型训练与优化

3.1 YOLOv8模型选型

YOLOv8提供不同规模的预训练模型，根据硬件条件选择：

模型类型	参数量(M)	mAP@0.5	推理速度(T4)	适用场景
YOLOv8n	3.2	0.89	0.8ms	嵌入式设备
YOLOv8s	11.2	0.92	1.2ms	平衡型选择
YOLOv8m	25.9	0.94	1.8ms	服务器部署
YOLOv8l	43.7	0.95	2.4ms	高精度要求场景

启动训练命令：

yolo task=detect mode=train model=yolov8s.pt data=ccpd.yaml epochs=100 imgsz=640 batch=16

3.2 关键训练技巧

数据增强策略（在ccpd.yaml中配置）：

augmentation: 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 scale: 0.5 # 缩放比例 shear: 2.0 # 剪切幅度

学习率调整（使用Cosine衰减）：

lr0: 0.01 # 初始学习率 lrf: 0.1 # 最终学习率系数

改进建议：

添加CA注意力机制：在ultralytics/nn/modules/block.py中添加：

class CAAttention(nn.Module): def __init__(self, channel, reduction=16): super().__init__() self.avg_pool = nn.AdaptiveAvgPool2d(1) self.fc = nn.Sequential( nn.Linear(channel, channel // reduction), nn.ReLU(), nn.Linear(channel // reduction, channel), nn.Sigmoid() ) def forward(self, x): b, c, _, _ = x.size() y = self.avg_pool(x).view(b, c) y = self.fc(y).view(b, c, 1, 1) return x * y.expand_as(x)

4. 模型部署与推理

4.1 Python接口调用

基础检测代码示例：

from ultralytics import YOLO import cv2 model = YOLO('best.pt') # 加载自定义模型 img = cv2.imread('test.jpg') results = model(img)[0] # 获取检测结果 # 绘制检测框 for box in results.boxes: x1, y1, x2, y2 = map(int, box.xyxy[0].tolist()) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.imwrite('result.jpg', img)

4.2 高性能部署方案

ONNX导出（用于跨平台部署）：

yolo export model=best.pt format=onnx opset=12 simplify=True

TensorRT加速（需安装tensorrt）：

trtexec --onnx=best.onnx --saveEngine=best.engine --fp16

针对RK3588的开发板部署：

# 使用rknn-toolkit转换模型 python3 rknn_convert.py --onnx best.onnx --rknn best.rknn --target rk3588

5. 常见问题与解决方案

5.1 训练阶段问题

问题1：验证集mAP波动大

检查数据标注质量（常见错误：漏标、误标）
调整学习率（建议初始lr0设为0.01后逐步降低）
增加验证集样本量（至少占总数据20%）

问题2：小车牌检测效果差

修改anchor尺寸（针对车牌长宽比调整）

anchors: - [4,5, 8,10, 13,16] # 更适合车牌的anchor比例

添加更多小车牌样本（特别是远距离拍摄场景）

5.2 部署阶段问题

问题1：推理速度慢

使用TensorRT加速（可提升3-5倍速度）
量化模型（FP16/INT8量化）
调整输入分辨率（如从640降至480）

问题2：漏检率高

降低置信度阈值（--conf参数调至0.3-0.4）
测试时增强（TTA）模式：

results = model(img, augment=True) # 启用TTA

6. 完整项目结构说明

license_plate_detection/ ├── data/ │ ├── ccpd/ # 原始数据集 │ └── processed/ # 处理后的YOLO格式数据 ├── configs/ │ └── ccpd.yaml # 数据配置 ├── models/ │ ├── yolov8s.pt # 预训练模型 │ └── best.pt # 训练后的模型 ├── utils/ │ ├── dataset.py # 数据加载 │ └── augment.py # 数据增强 ├── detect.py # 推理脚本 └── train.py # 训练脚本

实际部署时发现，在夜间低光照条件下，直接使用RGB图像检测效果会下降约15%。解决方案是添加红外摄像头支持或使用低光照增强算法（如Zero-DCE）。我在项目中额外集成了PaddleOCR的车牌识别模块，形成完整pipeline，识别准确率可达96.2%。