本文详细介绍了如何使用YOLOv5进行车牌识别。首先，通过Python脚本将CCPD2020数据集转换为YOLOv5所需的训练格式，包括创建images和labels文件夹，并生成yolo格式的标签文件。接着，指导用户创建自定义的'plate.yaml'配置文件，并修改train.py脚本以加载该配置文件进行模型训练。最后，演示了如何修改detect.py脚本，利用训练好的权重文件对图片或视频进行车牌检测，从而实现车牌的识别功能。整个流程清晰明了，便于用户快速上手。

🚗 **数据格式转换**：文章提供了一个名为`ConvertYOLOFormat.py`的Python脚本，用于将CCPD2020数据集（或其他类似格式）转换为YOLOv5所需的训练格式。该脚本能够遍历指定目录下的图片，提取文件名中的边界框信息，计算并归一化中心点坐标、宽度和高度，然后生成对应的`.txt`标签文件，并按要求组织图片和标签文件到`images`和`labels`子文件夹中，为模型训练做好准备。

📝 **配置文件准备**：在数据准备完成后，需要创建一个YAML配置文件（例如`plate.yaml`），其结构与YOLOv5官方提供的`coco.yaml`类似。该文件需要指定训练集和验证集的路径，以及监测对象的类别名称（如`plate`）。同时，需要修改`train.py`脚本中的相关参数，使其指向新创建的`plate.yaml`文件，以便模型能够正确加载数据集和配置信息。

🚀 **模型训练执行**：配置完成后，通过执行`train.py`脚本即可启动YOLOv5模型的训练过程。训练过程中，模型会不断学习识别车牌的特征，并生成权重文件（如`best.pt`）。用户可以通过监控训练日志来了解模型的性能表现，并根据需要调整训练参数或数据集以优化模型效果。

💡 **检测应用实现**：模型训练完成后，可以通过修改`detect.py`脚本来执行实际的车牌检测任务。用户需要指定训练好的权重文件路径（`best.pt`）、待检测的图片或视频路径，以及之前创建的`plate.yaml`配置文件。执行`detect.py`后，程序将在指定的图片或视频上框出识别到的车牌，并输出检测结果，完成了整个车牌识别的应用流程。

一. 准备训练文件

总结：采用的前后端分离的结构

根据上篇文章安装好yolov5所依赖的环境使用yolov5识别的车牌，LPRNet识别车牌文字前后端交互采用flask发送的json数据前端使用的vue3全家桶

我这边使用的是CCPD2020数据集的车牌，在csdn搜索一下就可以找到，执行下面py文件可以得到yolo的训练集文件，然后按要求创建好文件夹和文件

# ConvertYOLOFormat.pyimport osimport os.pathimport reimport shutilimport cv2from tqdm import tqdmdef listPathAllfiles(dirname):    """    遍历指定目录下的所有文件并返回一个包含这些文件路径的列表。    """    result = []    for maindir, subdir, file_name_list in os.walk(dirname):        for filename in file_name_list:            apath = os.path.join(maindir, filename)            result.append(apath)    return resultif __name__ == '__main__':    # 原始数据集的路径，改为自己要保存的路径    data_path = "E:\yolo\CCPD2020\ccpd_green\val"    # 转换后数据的保存路径，改为自己要保存的路径    save_path = "E:\yolo\CCPD2020\ccpd_green\valData"    # 图片和标签文件的保存路径    images_save_path = os.path.join(save_path, "images")    labels_save_path = os.path.join(save_path, "labels")    # 如果不存在则创建图片和标签的保存文件夹    if not os.path.exists(images_save_path): os.makedirs(images_save_path)    if not os.path.exists(labels_save_path): os.makedirs(labels_save_path)    # 获取数据集中所有的图片文件路径    images_files = listPathAllfiles(data_path)    # 初始化计数器用于生成新的文件名    cnt = 1    # 使用tqdm显示进度条    for name in tqdm(images_files):        # 只处理图片文件        if name.endswith(".jpg") or name.endswith(".png"):            # 读取图片            img = cv2.imread(name)            # 获取图片的高度和宽度            height, width = img.shape[0], img.shape[1]            # 使用正则表达式从文件名中提取坐标信息            str1 = re.findall('-\d+&\d+_\d+&\d+-', name)[0][1:-1]            str2 = re.split('&|_', str1)            # 提取边界框坐标            x0 = int(str2[0])            y0 = int(str2[1])            x1 = int(str2[2])            y1 = int(str2[3])            # 计算边界框的中心点坐标以及宽度和高度，并进行归一化            x = round((x0 + x1) / 2 / width, 6)            y = round((y0 + y1) / 2 / height, 6)            w = round((x1 - x0) / width, 6)            h = round((y1 - y0) / height, 6)            # 构建标签文件名和路径            txtfile = os.path.join(labels_save_path, "green_plate_" + str(cnt).zfill(6) + ".txt")            # 构建图片文件名和路径            imgfile = os.path.join(images_save_path,                                   "green_plate_" + str(cnt).zfill(6) + "." + os.path.basename(name).split(".")[-1])            # 写入标签文件            open(txtfile, "w").write(" ".join(["0", str(x), str(y), str(w), str(h)]))            # 移动图片到新位置            shutil.move(name, imgfile)            # 更新计数器            cnt += 1

要改为yolo监测的文件夹结构

其中images中train和val存放的图片，要和label中的train和val标签文件一一对应



在images和val的同级目录下的classes.txt文件中放入监测的类型，这边监测的是一种类型，就是车牌（plate）



如果是两种就是这种格式

2. 准备好训练集文件后，创建yaml文件，改变train.py文件参数，再执行train.py训练模型

与yolov5官方提供的coco.yaml文件一样，创建一个plate.yaml文件，修改参数，指向刚刚的训练集文件夹路径



修改train.py的参数，使用plate.yaml

3. 执行train.py训练模型

4.执行detect.py检测图片或视频

修改参数,刚刚训练好的权重文件best.pt路径，需要检测的图片或视频路径，plate.yaml路径



修改好后，执行detect.py文件，可以看到检测结果