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 1326 个字符，预计需要花费 4 分钟才能阅读完成。

CCPD 数据集作为国内最大的车牌检测公开数据集，在实际落地时会遇到几个典型挑战：

光照条件复杂：停车场夜间红外补光、强光反射等情况导致颜色失真
小目标检测困难：远距离拍摄时车牌仅占图像 5%-8% 像素面积
模糊与遮挡：移动车辆产生的运动模糊、临时污渍遮挡字符
长宽比极端：新能源车牌长度是普通车牌的 1.5 倍

光照归一化：
使用 CLAHE（限制对比度自适应直方图均衡化）替代传统直方图均衡
对 HSV 空间的 V 通道单独处理避免颜色畸变
随机擦除增强：
模拟车牌污损场景，随机擦除 15%-30% 的矩形区域
擦除时保留字符的结构连续性（避免中间断裂）
透视变换：
根据车牌四角坐标生成单应性矩阵
最大旋转角度限制在±15°防止过度扭曲

基于 YOLOv5s 的三大改进点：

检测头增强：
增加 P2 特征层（下采样 8 倍）提升小目标召回率
使用 BiFPN 替换原 PANet 实现多尺度特征融合
损失函数优化：
分类任务采用 Focal Loss(α=0.25, γ=2)
回归任务使用 EIoU Loss 替代 CIoU
训练策略：
EMA 模型平滑（decay=0.999）
Warmup+Cosine 退火学习率调度

# CLAHE 增强实现
def clahe_augment(img, clip_limit=2.0, grid_size=(8,8)):
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=clip_limit, tileGridSize=grid_size)
    cl = clahe.apply(l)
    merged = cv2.merge((cl, a, b))
    return cv2.cvtColor(merged, cv2.COLOR_LAB2BGR)

# 在 YOLOv5 中添加 P2 检测层
class Detect(nn.Module):
    def __init__(self, nc=80, anchors=()):
        super().__init__()
        self.stride = torch.tensor([8, 16, 32])  # P2/P3/P4
        self.anchors = torch.tensor(anchors).float().view(3, -1, 2)
        # 新增 P2 层的输出通道
        self.p2 = nn.Conv2d(256, self.no * self.na, 1)