文件处：夸克网盘分享

1. 硬件环境

处理器（CPU）：AMD Ryzen 9 7940HX

内存（RAM）：16GB

显卡（GPU）：NVIDIA GeForce RTX 4060

存储：SSD 512GB

2. 软件环境

Python 版本：3.8

主要依赖库：

ultralytics（YOLOv8）

paddleocr

opencv-python

numpy

Pillow

tkinter

深度学习框架：PyTorch（YOLOv8）、PaddlePaddle（PaddleOCR）

3.YOLO模型训练

images/：存放所有图片数据

train/：训练集图片

val/：验证集图片

test/：测试集图片

labels/：存放所有标签（标注）数据

train/：训练集标签

val/：验证集标签

test/：测试集标签

data.yaml：数据集配置文件，通常包含类别、路径等信息

图2数据集结构图

YOLOv8在训练时主要包含三个方面的损失：定位损失(box_loss)、分类损失(cls_loss)和动态特征损失（dfl_loss），在训练结束后，可以在runs/目录下找到训练过程及结果文件，如下所示：

图3训练结果图

定位损失box_loss：预测框与标定框之间的误差（GIoU），越小定位得越准；

分类损失cls_loss：计算锚框与对应的标定分类是否正确，越小分类得越准；

动态特征损失（dfl_loss）：DFLLoss是一种用于回归预测框与目标框之间距离的损失函数。在计算损失时，目标框需要缩放到特征图尺度，即除以相应的stride，并与预测的边界框计算Ciou Loss，同时与预测的anchors中心点到各边的距离计算回归DFLLoss。这个过程是YOLOv8训练流程中的一部分，通过计算DFLLoss可以更准确地调整预测框的位置，提高目标检测的准确性。

图4动态特征定损图

mAP表示Precision和Recall作为两轴作图后围成的面积，m表示平均，@后面的数表示判定iou为正负样本的阈值。mAP@.5：表示阈值大于0.5的平均mAP，可以看到本文模型目标检测的mAP@0.5平均值为0.994

图5 PR曲线图

4. 运行效率指标

单张图片处理时间（ms/张）

视频帧处理速度（FPS，帧/秒）

    程序运行的界面，包括选择文件，识别和清除结果的按钮，中间的框为选择文件的预览，下方左侧的是信息输出框，右侧的是提示框。

图6 运行界面图

       点击选择文件的按钮，跳出窗口来选择要识别的文件.

图7 文件选择

文件打开后，在界面显示，如下。

图8 文件打开预览图

通过模型识别显示车牌的位置在图片中的位置（左上角和右下角的坐标）

内容是通过PaddleOCR识别的车牌，以及置信度、颜色和截图保存的路径。

图9 运行结果图

点击清除按钮，下方的显示框中的信息会被清除。

图10 结果清理图

当导入的文件是视频MP4格式的时候，程序会通过每一帧来识别汽车的车牌，出现过的车牌会罗列到下方，左边为车牌截图，右边是车牌的识别结果

图11 视频识别结果图

图12 视频识别最终结果图