• 【最强最全车牌识别算法】支持13种中文车牌识别的云端API部署(可直接获取源码使用)


    项目简介

    在城市交通管理、视频监控、车辆识别和停车场管理中车辆检测与车牌识别是一项富有挑战而重要的任务。利用深度学习识别不同条件下的车辆及其车牌信息。更具体地说,实时目标检测网络(Yolov5)用于从车辆图像中提取特征并且通过训练对车辆进行实时目标检测,车牌识别神经网络(LPRnet)用于从车牌提取特征并且通过训练对车牌进行实时识别。通过对Yolov5提取的特征进行了分析,利用与视觉任务强相关的测试样本集对目标检测模型与车牌识别模型进行测试,能够为交通车辆识别与管理等作业提供可靠、高效的车辆信息。

    项目亮点:

    1. 融合YOLOv5和LPRnet网络进行车牌识别
    2. 超轻量级检测模型(大小为1.12MB)
    3. 覆盖支持13种中文车牌的识别
     1.单行蓝牌
     2.单行黄牌
     3.新能源车牌
     4.白色警用车牌
     5.教练车牌
     6.武警车牌
     7.双层黄牌
     8.双层武警
     9.使馆车牌
     10.港澳牌车
     11.双层农用车牌
     12.民航车牌
     13.摩托车牌
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    1. 云端API部署,供给各端使用
    2. 支持onnx、openvino和tensorrt各种推理模式

    项目预览:
    在这里插入图片描述

    云端部署

    1. 下载源代码:全面超轻量级车牌检测与识别云端API部署
    2. 开启服务端
    python server.py
    
    • 1

    在这里插入图片描述

    服务等待开启后即可,开启后会打印可以访问的在线页面:http://localhost:8090/ ,打开页面就可以看到:
    在这里插入图片描述
    在这里插入图片描述
    3. 此时我们就可以模拟一个客户端向该api发送post请求:

    import requests
    import json
    
    url = 'http://127.0.0.1:8090/detect'
    files = {'file': open('./car.jpg', 'rb')}
    r = requests.post(url, files=files)
    print(r.text)
    
    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7

    发送请求的图片:在这里插入图片描述

    发送请求后即可看到:
    在这里插入图片描述
    此时后端收到了服务请求,客户端返回了结果:

    {"number plate":"京AG6156","status":1,"time":"0.6833s"}
    
    • 1

    请添加图片描述

    本次演示在本地端进行,还可以快速部署在服务器端

  • 相关阅读:
    本地部署FastGPT使用在线大语言模型
    温故而知新——vue常用语法(二)组件
    《统计学习方法》 第九章 EM算法(原理+代码)
    【C++】入门三
    ElasticSearch 批量插入漏数据
    【C++】C++中SDKDDKVer.h和WinSDKVer.h函数库详解
    Pytorch intermediate(二) ResNet
    Nacos集群搭建
    C++ 多线程
    离线地图二次开发(支持所有地图源)
  • 原文地址:https://blog.csdn.net/u014297502/article/details/127928810