(1) YOLO文件中需要修改某些文件

在我的目录中，我将YOLO下载到与car文件夹的同目录下

我们需要关注YOLO文件夹下的几个文件，这是我的文件目录

我们要自己首先一个yaml文件来配置YOLO模型，图中化横线的文件 car.yaml

以下是我的简单的配置

path：图片数据的根目录

train：训练集的绝对路径，这里存放是所有图片的绝对路径

val： 验证集的绝对路径，与train一样

nc：分类个数

names：列表类型 所有类别名字 license plate 车牌

（2）预使用模型 YOLO已经给出以下模型 我们可以在他们这些模型的基础上进行训练自己的模型

yolo5s.yaml 文件我们需要简单的进行修改，从而满足我们自己项目的需求

在我的项目中只有一个车牌需要关注，所以我们需要将nc的个数改为1，其他参数我们不需要修改。

好，YOLO文件夹下内容，暂时不需要修改了。

这个标注是把图片中的车牌框选出来，从而成为一个json文件

框中的数据就是一个车牌左上点(x1,y1)和右下点数据(x2,y2),我们需要取出这些数据出来。

但对于我们的中科大CCPD数据而言，这些数据已经写在文件名字中了，我们只需对名字进行处理，满足YOLO的一个要求。

文件名Car_data.py

ini
复制代码
import os
import Car_Model
import numpy as np
from PIL import Image
DATA_PATH = "/Users/pengpeng/Resources/Python/ccpd_base/car"

# 处理文件名中的4个点坐标，并且满足YOLO要求
def process_position(data, data_name):
    for name, title in zip(data[3], data_name):
        yolo_data = []
        bounding_boxes = name.split("_", 4)
        real_positions = []
        image_name = []
        title1 = title.split('.', 2)
        image_name.append(title1[0])
        # 获得4个点数据
        for bbox in bounding_boxes:
            values = bbox.split("&", 1)
            for index in range(len(values)):
                values[index] = int(int(values[index]))
            real_positions.append(values)
        real_positions = np.int0(np.array(real_positions))
        # 得到整个最大的值
        Xs = [i[0] for i in real_positions]
        Ys = [i[1] for i in real_positions]
        x1 = abs(min(Xs))
        x2 = abs(max(Xs))
        y1 = abs(min(Ys))
        y2 = abs(max(Ys))
        '''
            YOLO要求这个框满足以下要求
            (1)需要这个框的中心坐标位置，宽度(width)和高度(height)
            (2)每个值必须在0-1之间的小数，所以需要进行归一化
            (3)还需要对每个框进行标注属于哪一个分类， 按照 分类 x， y，w，h 这五个值进行写入
            (4)需要对一张照片所有的框进行新建一个txt文件，存取以上内容
        '''
        # 获得图片信息，获得图片大小分别是width和height
        img_path = DATA_PATH+"/images/"+title
        img  = Image.open(img_path)
        imgSize = img.size
        img_width = imgSize[0]
        img_height = imgSize[1]

        # 进行归一化，直接把这些内容copy就可以了
        dw = 1. / img_width # 1/w
        dh = 1. / img_height  # 1/h
        x = (x1 + x2) / 2.0 - 1  # 物体在图中的中心点x坐标
        y = (y1 + y2) / 2.0 - 1  # 物体在图中的中心点y坐标
        w = x2 - x1  # 物体实际像素宽度
        h = y2 - y1  # 物体实际像素高度
        x = x * dw  # 物体中心点x的坐标比(相当于 x/原图w)
        w = w * dw  # 物体宽度的宽度比(相当于 w/原图w)
        y = y * dh  # 物体中心点y的坐标比(相当于 y/原图h)
        h = h * dh  # 物体宽度的宽度比(相当于 h/原图h)

        # 把这五个值写入到文件中
        yolo_data.append([0, x, y, w, h])
        yolo_data = np.array(yolo_data)
        # 保存bbox的图片信息
        np.savetxt(
            os.path.join(DATA_PATH, f'labels/{title1[0]}.txt'),
            yolo_data,
            fmt=['%d', '%f', '%f', '%f', '%f']
        )

if __name__ == '__main__':
    total_infos = Car_Model.load_files(DATA_PATH, True)
    title = Car_Model.load_files(DATA_PATH, False)
    process_position(total_infos, title)

另一文件processing_character.py

目的是将图片的绝对路径写入train.txt 和test.txt中

ini
复制代码
import os
import random

# train所占的比例 70%
train_percet = 0.7

# 文件绝对路径 Mac电脑与windows电脑的地址不同，它类似与Linux的地址
path = "/Users/pengpeng/Resources/Python/ccpd_base/car"

# car文件夹下的images文件夹
images = "images"

# 新建的train.txt和test.txt
names = ["train", "test"]

# 访问images文件夹并把绝对地址写入train和test文件中
images_path = os.path.join(path, images)
images_path = os.listdir(images_path)
total_labels = []
for label in images_path:
    # 因为Mac电脑比较特殊，在每个文件中都有一个名字叫.DS_Store的隐藏文件，必须排除掉这个文件
    if label ==".DS_Store":
        continue
    total_labels.append(label)
    
# 按照之前的概率，对数据进行随机
num = len(total_labels)
digit = range(num)
trd = int(num * train_percet)
ted = int(num * (1-train_percet))
trdr = random.sample(digit, trd)  # train_digit_random 
tedr = random.sample(trdr, ted)   # test_digit_random

# 分别写入以下两个文件中
ftrain = open(path+'/train.txt', 'w')
ftest = open(path+'/test.txt', 'w')

# 根据随机进行分成train和test比例 这个是按照机器学习对train和test进行安排，当然可以按照自己对要求进行调整
for i in digit:
    name_path = path + "/" + images + "/" + total_labels[i] + "\n"
    print(name_path)
    if i in trdr:
        ftrain.write(name_path)
    else:
        ftest.write(name_path)
# 写完文件，要关闭文件
ftrain.close()
ftest.close()

按照顺序执行完以上三个，我们可以得到以下文件包含它的相应内容

完成到这里，我们车牌的检测就已经完成了大半了。

接着是打开我们的terminal或cmd 找到yolo的根目录，我这使用的是anconda的虚拟环境

在命令行上输入以下命令

css
复制代码
python train.py --data car.yaml --cfg models/yolov5s.yaml --weights weights/yolov5s.pt --batch-size 10 --epochs 3
# --data 后面是刚刚写的配置文件 以yolo为根本目录找的文件
# --cfg 使用配置，然后对这个文件进行修改
# --weights 使用模型的权制
# --batch-size 批量大小
# --epochs 简单理解为运行次数

因为使用的是mac m1pro 不能使用pytorch的gpu ，按照现在的2022 6月份 是不能使用的，只能使用cpu。计算时间很长，计算3次的时间是2个小时吧（不记得了）

最终进行简单的炼丹，也能达到一个还行的结果

这些结果会最终得到一个文件夹存在以下中

这样我们简单的得到一个自己的车牌检测模型。

接着我们要做的就是预测我们检测车牌的结果。