基于PaddleOCR史上最全车牌号识别实现（三）

 前言

        基于PaddleOCR史上最全车牌号识别实现（一）

        基于PaddleOCR史上最全车牌号识别实现（二）

        前两篇文章讲了检测模型和识别模型的实现，这一篇文章姗姗来迟，将讲解下两个模型的串联应用和PaddleOCR的源码精简，下面我们来看看如何实现，文章最后有全源码下载。

车牌号识别源码分析

1、添加预测代码

新建deploy目录，加入预测py文件

核心代码如下：

    def predict(self, image=None, path="", **kwargs):
        if image is not None:
            predicted_data = image
        elif path != "":
            predicted_data = self.read_image(path)
        else:
            raise TypeError("The input data is inconsistent with expectations.")

        dt_boxes, rec_res, _ = self.text_sys(predicted_data)
        dt_num = len(dt_boxes)

        if dt_num > 0:
            rec_res_final = dict()
            text, score = rec_res[0]
            rec_res_final.update({
                'bank_card_number': text,
                'score': float(score),
                'location': dt_boxes[0].astype(np.int32).tolist()
            })

            return rec_res_final
        else:
            return ""

2、模型存放位置

det为检测模型，rec为识别模型

3、参数说明

目前的识别模型是在PP-OCRv2的基础上训练出来的，如何是v3或v4训练的，需要将这里的re_image_shape改成“3，48，320”

4、预测

ocr_license_plate.py文件中添加main方法：

if __name__ == '__main__':
    args = {
        "use_gpu": False,
        "enable_mkldnn": True
    }
    ocr_license_plate = OCRLicensePlate(args=args)
    print(ocr_license_plate.predict(None, "1.jpg"))

python .\deploy\ocr_license_plate.py

结果：

[2023/12/13 19:28:37] ppocr DEBUG: dt_boxes num : 1, elapsed : 0.9797043800354004
[2023/12/13 19:28:37] ppocr DEBUG: rec_res num  : 1, elapsed : 0.09100174903869629
{'bank_card_number': '蒙H0070警', 'score': 0.9834597706794739, 'location': [[219, 354], [371, 358], [370, 411], [218, 407]]}

5、命令行检测模型预测

python tools/infer/predict_det.py --det_algorithm="DB" --det_model_dir="./inference/det/" --image_dir="1.jpg" --use_gpu=False --det_db_unclip_ratio=2.0

保存图片到inference_results目录下：

完毕

        以上就是车牌号识别的整个流程，精简后可直观的进行部署，这里只是做了第一步精简，在infer中和后处理中，还有部分代码可以进一步精简。

精简后源码下载：

基于PaddleOCR车牌号识别源码