CCPD车牌数据集实战指南：从数据预处理到模型训练全流程解析

1次阅读

共计 2510 个字符，预计需要花费 7 分钟才能阅读完成。

CCPD 数据集包含超过 10 万张中国车牌图像，覆盖了晴天、雨天、雾天等多种天气条件，以及车牌倾斜、遮挡、模糊等现实场景。这个数据集特别适合用来训练鲁棒性强的车牌检测模型，但处理过程中也会遇到一些挑战。

标注文件解析困难 ：CCPD 使用 XML 格式存储标注信息，与 YOLO 等现代框架要求的 txt 格式不兼容
光照条件差异大 ：夜间低光照和强反光场景同时存在
长宽比极端样本 ：有些车牌宽高比达到 4:1，容易造成模型漏检

import xml.etree.ElementTree as ET
import os

def convert_ccpd_to_yolo(xml_path, output_dir):
    """
    将 CCPD 的 XML 标注转换为 YOLO 格式
    :param xml_path: XML 文件路径
    :param output_dir: 输出目录
    """
    tree = ET.parse(xml_path)
    root = tree.getroot()

    # 获取图像尺寸
    size = root.find('size')
    width = int(size.find('width').text)
    height = int(size.find('height').text)

    # 准备输出内容
    yolo_lines = []
    for obj in root.iter('object'):
        # 车牌类别固定为 0（假设只有一个类别）cls_id = 0

        # 获取边界框坐标
        bndbox = obj.find('bndbox')
        xmin = int(bndbox.find('xmin').text)
        ymin = int(bndbox.find('ymin').text)
        xmax = int(bndbox.find('xmax').text)
        ymax = int(bndbox.find('ymax').text)

        # 转换为 YOLO 格式（中心点坐标和宽高，归一化）x_center = ((xmin + xmax) / 2) / width
        y_center = ((ymin + ymax) / 2) / height
        w = (xmax - xmin) / width
        h = (ymax - ymin) / height

        yolo_lines.append(f"{cls_id} {x_center:.6f} {y_center:.6f} {w:.6f} {h:.6f}")

    # 写入输出文件
    base_name = os.path.splitext(os.path.basename(xml_path))[0]
    output_path = os.path.join(output_dir, f"{base_name}.txt")
    with open(output_path, 'w') as f:
        f.write('\n'.join(yolo_lines))

CLAHE 处理 ：解决光照不均问题

import cv2

def apply_clahe(image):
    # 转换到 LAB 颜色空间
    lab = cv2.cvtColor(image, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)

    # 只在 L 通道应用 CLAHE
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    cl = clahe.apply(l)

    # 合并通道并转回 BGR
    limg = cv2.merge((cl,a,b))
    enhanced = cv2.cvtColor(limg, cv2.COLOR_LAB2BGR)

    return enhanced

Albumentations 增强流水线

import albumentations as A

transform = A.Compose([A.RandomBrightnessContrast(p=0.5),
    A.HueSaturationValue(p=0.5),
    A.Rotate(limit=15, p=0.5),
    A.RandomResizedCrop(height=640, width=640, scale=(0.8, 1.0), ratio=(1.5, 4.0), p=0.5),
    A.CoarseDropout(max_holes=8, max_height=32, max_width=32, p=0.3)
], bbox_params=A.BboxParams(format='yolo'))

对于嵌入式设备：选择 YOLOv5s
服务器端部署：选择 YOLOv5m 或 YOLOv5l
高精度要求：YOLOv5x+ 更大的输入尺寸 (1280×1280)

# data.yaml
train: ../train/images
val: ../valid/images

nc: 1  # 类别数
names: ['license_plate']

# hyp.yaml
lr0: 0.01  # 初始学习率
lrf: 0.2   # 最终学习率 = lr0 * lrf
warmup_epochs: 3
warmup_momentum: 0.8

# 在 YOLOv5 的 train.py 中修改
for epoch in range(start_epoch, epochs):
    # Warmup 阶段
    if epoch < warmup_epochs:
        lr = lr0 * (epoch / warmup_epochs) ** 2
        for param_group in optimizer.param_groups:
            param_group['lr'] = lr