基于CCPD车牌数据集的深度学习模型优化实战：从数据清洗到模型部署

1次阅读

没有评论

共计 1447 个字符，预计需要花费 4 分钟才能阅读完成。

CCPD 车牌数据集作为国内最大的开源车牌数据集，包含 20 万 + 真实场景车牌图像，但在实际应用中仍存在以下典型问题：

光照条件复杂 ：强光、逆光、夜间低光等场景导致车牌区域对比度不足
模糊与遮挡 ：车速过快或摄像头抖动产生的运动模糊，以及车牌部分遮挡
小目标检测 ：远距离拍摄时车牌仅占图像极小区域（最小 20×10 像素）
长宽比极端 ：新能源车牌长度是普通车牌的 1.5 倍
样本不均衡 ：某些省份车牌样本量不足常规车牌的 1 /10

自适应直方图均衡化（CLAHE）
对 HSV 空间的 V 通道进行处理，避免颜色失真
设置 clipLimit=2.0, tileGridSize=(8,8) 取得最佳效果
随机擦除增强
模拟车牌污损场景，擦除区域面积控制在 10%-25%
采用任意宽高比矩形框，增强模型抗遮挡能力
难样本挖掘
第一阶段训练后，统计漏检样本的特征分布
针对性补充相似场景数据到训练集

基于 YOLOv5s 的改进方案：

检测头改进 ：
增加 P2 特征层（160×160）提升小目标检测能力
在 Neck 部分引入 BiFPN 结构加强特征融合
损失函数优化 ：
分类任务使用 Focal Loss(α=0.25, γ=2)
回归任务采用 SIoU Loss 替代 CIoU

EMA 模型平滑 ：衰减系数设为 0.9998
Warmup 策略 ：前 500 迭代线性增加学习率
余弦退火 ：初始 lr=0.01，最小 lr=0.0001

import cv2
import albumentations as A

# CLAHE 增强实现
def apply_clahe(img):
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    hsv[:,:,2] = clahe.apply(hsv[:,:,2])
    return cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

# Albumentations 增强组合
transform = A.Compose([A.RandomErasing(p=0.5, scale=(0.1, 0.25)),
    A.RandomBrightnessContrast(p=0.3),
    A.HueSaturationValue(p=0.2)
], bbox_params=A.BboxParams(format='yolo'))

# models/yolov5s.yaml 中修改检测头
head:
  [[-1, 1, Conv, [512, 1, 1]],
   [-1, 1, nn.Upsample, [None, 2, 'nearest']],
   [[-1, 3], 1, Concat, [1]],  # P2 输出层
   [-1, 3, C3, [512, False]],
   ...]

在 CCPD-test 集上的实验结果：