CCPD数据集解析：从数据标注到模型训练的全流程实战

1次阅读

共计 2003 个字符，预计需要花费 6 分钟才能阅读完成。

CCPD（Chinese City Parking Dataset）是目前国内最全面的车牌检测与识别数据集之一，包含超过 30 万张真实场景下的车牌图像。数据覆盖不同天气条件（晴天、雨天、雾天）、不同角度（正面、侧面）以及多种车牌类型（蓝牌、黄牌、新能源车牌等）。但在实际应用中，我们发现数据集存在几个典型问题：

标注不一致 ：部分边界框未完全贴合车牌边缘，字符级标注存在漏标或错标情况
样本分布不均 ：新能源车牌占比不足 5%，而普通蓝牌占比超 70%
噪声干扰 ：约 3% 的样本存在严重模糊或遮挡问题

首先过滤无效样本并统一标注格式（CCPD 使用.txt 存储标注，需转换为标准 COCO 格式）：

import os
import cv2
from collections import defaultdict

# 统计各类别分布
category_dist = defaultdict(int)
for anno_file in os.listdir('CCPD/annotations'):
    with open(f'CCPD/annotations/{anno_file}') as f:
        lines = f.readlines()
        for line in lines:
            category = line.split('_')[0]  # 提取车牌类型
            category_dist[category] += 1

# 过滤低质量样本
def is_valid_sample(img_path):
    img = cv2.imread(img_path)
    if img is None: 
        return False
    h, w = img.shape[:2]
    return h >= 30 and w >= 100  # 剔除过小图像

针对样本不平衡问题，使用 imbalanced-learn 库进行过采样：

from imblearn.over_sampling import RandomOverSampler
import numpy as np

# 示例：对新能源车牌过采样
new_energy_indices = [i for i, cat in enumerate(labels) if cat == '新能源']
ros = RandomOverSampler(sampling_strategy={ '新能源': 5000})  # 目标采样数
X_resampled, _ = ros.fit_resample(np.array(new_energy_indices).reshape(-1,1), None)

车牌通常为长宽比固定的矩形，需要调整 anchor 配置：

# data/ccpd.yaml
anchors:
  - [12,16, 19,36, 40,28]  # 小目标
  - [36,75, 76,55, 72,146] # 中目标
  - [142,110, 192,243, 459,401] # 大目标（适应不同距离车牌）

由于车牌字符需要高精度识别，建议使用更密集的 ROI Pooling：

model = fasterrcnn_resnet50_fpn(
    roi_pooler=torchvision.ops.MultiScaleRoIAlign(featmap_names=['0', '1', '2', '3'],
        output_size=14,  # 默认 7×7 提升至 14×14
        sampling_ratio=2
    )
)