1. **CCPD 车牌数据集下载**

链接：https://pan.baidu.com/s/1ZvbRUsPwpJk_39FujpjObw（下载ccpd2020）

提取码：nygt（备用码hm0u，输一个就行）

下载后右键压缩包，解压到电脑桌面，解压后文件夹命名为CCPD_LPR

2. **创建images+labels结构**

由于原始 CCPD 的标注信息是嵌在图片文件名里的（不是单独的 labels 文件夹），所以需要一个简单的 Python 脚本，自动把 “图片 + 文件名里的标注” 整理成 YOLOv8 需要的images+labels结构（图片放 images，标注转成 YOLO 格式的 txt 文件放 labels）

3：在你的CCPD_LPR文件夹里创建处理脚本

打开桌面的CCPD_LPR文件夹（就是你解压后的文件夹，里面有 test/train/val），在这个文件夹里右键新建文本文档，重命名为ccpd_to_yolo.py（后缀改.py，别留.txt）。

2.第二步：复制脚本代码（自动整理成 YOLO 格式，直接用）

打开ccpd_to_yolo.py，删除所有内容，粘贴下面的脚本

4. ：运行脚本（自动整理结构）

第一步：激活你已安装的yolov8环境

在 Anaconda Prompt 窗口输入：conda activate yolov8

第二步：进入CCPD_LPR文件夹（桌面的数据集路径）

输入路径命令（替换成你桌面的实际路径）：cd C:/Users/你的电脑名/Desktop/CCPD_LPR

第三步：运行数据集处理脚本

python ccpd_to_yolo.py

打开「CCPD_LPR」文件夹，确认里面能直接看到「images」和「labels」两个核心文件夹（一个存车牌图片，一个存 YOLO 标注文件）

1). **创建并配置 YOLOv8 训练必备的license_plate.yaml数据集配置文件**
2). 找到你已有的官方 ultralytics-YOLOv8 源码文件夹（比如桌面ultralytics_yolov8-main），进入该文件夹的根目录（和里面的ultralytics文件夹、README.md文件同级的位置），后续所有操作都在这个源码根目录下进行。
3). 创建license_plate.yaml文件（仅改后缀，小白别踩坑）

在上述源码根目录下，右键空白处→「新建」→「文本文档」；

将新建的文本文档重命名为license_plate.yaml（⚠️ 关键：把后缀.txt改成.yaml，电脑要显示文件后缀，否则会变成license_plate.yaml.txt，模型识别不到）；

4. 配置文件内容

双击打开新建的license_plate.yaml文件，删除里面所有默认内容；

复制下面的模板代码，仅修改第一行的dataset_path为你桌面CCPD_LPR的实际路径，其他内容完全不用改

后续这里如果出现问题，YOLOv8 找不到数据集。可做如下修改

5. **编写 YOLOv8 训练代码，启动训练**

1.前提确认（你已具备，不用再操作）

PyCharm 能找到官方 ultralytics-YOLOv8 源码文件夹（教程里的文件）；

源码根目录已有配置好的license_plate.yaml文件（路径指向桌面CCPD_LPR）；

6.打开 YOLOv8 源码项目（PyCharm 中）

打开 PyCharm → 点击顶部「File」→「Open」→ 选择你电脑里官方 ultralytics-YOLOv8 源码的根目录（和license_plate.yaml、ultralytics文件夹同级的位置）→ 点击「Open」，等待 PyCharm 加载源码（30 秒左右）。

7.建训练专属文件（仅需 1 次，复制代码即用）

在 PyCharm 左侧源码根目录（能看到license_plate.yaml的位置），右键空白处 →「New」→「Python File」→ 命名为train_plate.py（训练专属文件，好记）→ 点击「OK」。

8. 复制训练代码

9. 确认 PyCharm 的 Python 环境（关键！用已装的 yolov8 环境）

避免 PyCharm 用错环境导致训练报错，必须确认当前用的是教程里装的yolov8环境：

看 PyCharm右下角，会显示当前 Python 环境（比如Python 3.8 (yolov8)）；

若显示的不是yolov8：点击右下角环境名称 → 选择「Add Interpreter」→「Existing environment」→ 找到 Anaconda 安装路径下的envs/yolov8/python.exe（比如C:/Users/你的电脑名/anaconda3/envs/yolov8/python.exe）→ 点击「OK」，等待环境加载。

10.一键启动训练！（坐等模型生成，不用管复杂日志）

确认以上步骤无误后，点击 PyCharm 右上角的绿色三角「▶️ Run 'train_plate'」，开始训练；

训练过程中，PyCharm 下方会显示训练日志

11. 训练完成・核心操作（必做！为后续部署做准备）

训练结束后，PyCharm 控制台会显示「训练完成」提示，此时在YOLOv8 源码根目录会生成plate_train/yolov8n_license/weights/文件夹，里面有 2 个核心文件，后续开发板部署全靠这两个-r

12\. best.pt：训练好的车牌检测模型核心文件（可在电脑端测试，也能重新导出 ONNX）；

13.best.onnx：开发板转换 RKNN 格式的唯一中间文件（有开发板后，直接拿这个文件转换，不用重新训练）。