PaddleOCR_Plate

• 作者：北小菜
• QQ：1402990689
• 微信：bilibili_bxc
• 哔哩哔哩主页：https://space.bilibili.com/487906612
• gitee开源地址：https://gitee.com/Vanishi/PaddleOCR_Plate
• github开源地址：https://github.com/beixiaocai/PaddleOCR_Plate

项目介绍

• 基于PaddleOCR框架和PP-OCRv4开源模型训练商用级高质量车牌识别模型
• 本项目在PaddleOCR框架 + PP-OCRv4的开源模型基础上，使用开源的车牌识别样本集CCPD2020迭代训练而来。本项目的目的是，通过编写详细的文档，尽可能让所有人都能学会训练车牌识别模型和调用车牌识别模型。降低行业门槛。
• 项目根目录下checkpoints文件夹里面，内置了作者训练好的车牌检测和车牌识别模型，大家如果不想训练，可以直接使用，调用方法参考tests.py

安装训练环境

（1）首先确保您已经具备Python运行环境
目前支持 Python 3.8 至 Python 3.12（Windows系统推荐Python3.10，作者在Windows用的是3.10）

（2）安装paddlepaddle
//安装CPU版本
python -m pip install paddlepaddle==3.0.0rc0 -i https://www.paddlepaddle.org.cn/packages/stable/cpu/

//安装GPU版本（cu118），需显卡驱动程序版本 ≥450.80.02（Linux）或 ≥452.39（Windows）
python -m pip install paddlepaddle-gpu==3.0.0rc0 -i https://www.paddlepaddle.org.cn/packages/stable/cu118/

//安装GPU版本（cu123），需显卡驱动程序版本 ≥545.23.06（Linux）或 ≥545.84（Windows）
python -m pip install paddlepaddle-gpu==3.0.0rc0 -i https://www.paddlepaddle.org.cn/packages/stable/cu123/

（3）安装paddleocr
pip install paddleocr==2.10.0
//注意：本项目是基于paddleocr==2.10.0和PP-OCRv4实现（如果使用的paddleocr>2.10.0，则可能会面临很多不确定性，建议保持一致）

下载PP-OCRv4的开源预训练基础模型 + 训练样本集

（1）下载PP-OCRv4的开源预训练基础模型 + 下载作者基于CCPD2020转换后适合paddleocr直接训练的样本集
夸克网盘下载地址： https://pan.quark.cn/s/6830234a944f

网盘文件介绍/
	├── pretrain_models.zip  # （需要下载）PP-OCRv4的开源预训练基础模型
		pretrain_models/
		├── ch_PP-OCRv4_det_cml_teacher_pretrained
		└── ch_PP-OCRv4_rec_train
    └── CCPD2020_PPOCR.zip   # （需要下载）CCPD2020转换后适合paddleocr直接训练的样本集
		CCPD2020_PPOCR/
		├── ccpd_green
		└── PPOCR 
		
tips: 网盘中上述文件除外，都不需要下载，是用来归档备份的。
	
注意：解压后的pretrain_models和CCPD2020_PPOCR请务必放置到项目根目录下

训练模型+验证模型+导出模型

（1）车牌识别主要分为两个过程，第一步是车牌检测过程（det），第二步是车牌识别过程（rec）
//在开始训练前，请前往configs文件夹，分别打开configs/plate_det.yml和configs/plate_rec.yml，里面涉及的数据集路径前缀改成与自己本机环境一致，注意路径不要包含中文


（2）车牌检测模型的训练+评估+导出
//（det）训练模型
python tools/train.py -c configs/plate_det.yml -o Global.pretrained_model=pretrain_models/ch_PP-OCRv4_det_cml_teacher_pretrained/teacher.pdparams


//（det）评估模型
python tools/eval.py -c configs/plate_det.yml -o Global.pretrained_model=output/plate_det/best_model/model.pdparams Eval.dataset.data_dir=CCPD2020_PPOCR/ccpd_green Eval.dataset.label_file_list=[CCPD2020_PPOCR/PPOCR/test/det.txt]


//（det）导出模型
python tools/export_model.py -c configs/plate_det.yml -o Global.pretrained_model=output/plate_det/best_model/model.pdparams Global.save_inference_dir=output/plate_det/inference_model

（3）车牌识别模型的训练+评估+导出
//（rec）训练模型
python tools/train.py -c configs/plate_rec.yml -o Global.pretrained_model=pretrain_models/ch_PP-OCRv4_rec_train/student.pdparams


//（rec）评估模型
python tools/eval.py -c configs/plate_rec.yml -o Global.pretrained_model=output/plate_rec/best_model/model.pdparams Eval.dataset.data_dir=CCPD2020_PPOCR/PPOCR Eval.dataset.label_file_list=[CCPD2020_PPOCR/PPOCR/test/rec.txt]


//（rec）导出模型
python tools/export_model.py -c configs/plate_rec.yml -o Global.pretrained_model=output/plate_rec/best_model/model.pdparams Global.save_inference_dir=output/plate_rec/inference_model


补充介绍：关于训练模型结构和导出模型结构的区别

//原始训练模型结构
output/plate_det/best_model/
    ├── model.pdopt    # 优化器状态（用于恢复训练）
    └── model.pdparams # 模型参数（权重和偏置）

//原始训练模型转换的pdmodel模型结构
output/plate_det/inference_model/
    ├── inference.pdmodel    # 模型结构
    ├── inference.pdiparams  # 模型参数
    └── inference.pdiparams.info  # 参数信息

测试图片

• 执行tests.py测试时，测试所用到的模型，并非直接训练获得的模型，而是训练获得的模型转换后的模型

//使用tests.py测试训练模型转换的pdmodel模型
python tests.py

//使用tests_onnx.py测试pdmodel模型转换的onnx模型（转换onnx模型，请参考ONNXRUNTIME.md）
python tests_onnx.py

关于如何部署或移植到项目中

• 可以参考tests.py或tests_onnx.py