网站建设营销怎么做,南阳网站建设南阳,wordpress调用幻灯片,青岛谁家做网站交通领域的应用智能化不断往纵深发展#xff0c;其中最为成熟的车牌识别早已融入人们的日常生活之中#xff0c;在高速公路电子收费系统、停车场等场景中随处可见。一些企业在具体业务中倾向采用开源方案降低研发成本#xff0c;但现有公开的方案中少有完成端到端的车牌应用…交通领域的应用智能化不断往纵深发展其中最为成熟的车牌识别早已融入人们的日常生活之中在高速公路电子收费系统、停车场等场景中随处可见。一些企业在具体业务中倾向采用开源方案降低研发成本但现有公开的方案中少有完成端到端的车牌应用范例。
本次飞桨产业实践范例库开源车牌识别场景应用提供了从技术方案、模型训练优化到模型部署的全流程可复用方案降低产业落地门槛。
项目链接
https://github.com/PaddlePaddle/PaddleOCR/tree/dygraph/applications
所有源码及教程均已开源。欢迎大家使用star鼓励~ 基于PaddleOCR的轻量级车牌识别系统
场景难点
本范例解决车牌识别任务需完成车牌检测模型和车牌识别模型的微调与串联并部署到端侧设备中。项目包含以下难点
车牌在图像中的尺度差异大、在车辆上的悬挂位置不固定车牌图像质量层次不齐: 角度倾斜、图片模糊、光照不足、过曝等问题严重边缘和端测场景应用对模型大小有限制推理速度有要求。 图1 CCPD绿牌数据集图像 项目方案
针对以上问题本范例选用PaddleOCR中的超轻量OCR系统PP-OCRv3进行车牌识别系统的开发通过微调检测和识别模型在CCPD新能源数据集达到99%的检测精度和94%的识别精度模型大小为12.8M(检测2.5M识别10.3M)。基于量化对模型体积进一步压缩到5.8M(1M4.8M),同时推理速度提升25%。 训练数据
CCPD(Chinese City Parking Dataset数据集包含蓝底车牌和新能源车牌覆盖场景包括各类文字形态倾斜、模糊与气候环境如阴雨天、雪天等其中新能源车牌训练集数量为5769张。CCPD数据标签体现在图片文件名其命名规范如图2所示。范例中我们通过转换脚本将上述规则转换为PaddleOCR的数据标注格式并划分数据集。 图2 文件名称命名规则 模型优化
在少量数据的情况下优秀的预训练模型能够带来更好的精度和泛化性。本范例选择PaddleOCR最新发布的PP-OCRv3模型完成数据微调。PP-OCRv3在PP-OCRv2的基础上端到端指标H-means在中文场景再提升5%, 英文数字模型提升11%如图3所示。 图3 不同模型精度/耗时/大小对比 在具体策略方面PP-OCRv3在检测部分使用ResidualSE-FPN残差注意力机制的FPN结构识别部分使用SVTR_LCNet轻量级文本识别网络GuidedTraining of CTCAttention损失指导CTC损失训练策略。上述策略的详细解释将在直播课展开。 图4 PP-OCRv3具体策略展示 由于车牌场景均为边端设备部署因此对速度和模型大小有比较高的要求。采用量化训练的方式能够压缩模型大小、加速模型推理速度。模型量化可以在基本不损失模型精度的情况下将FP32精度的模型参数转换为Int8精度减小模型参数大小并加速计算使用量化后的模型在移动端等部署时更具备速度优势。 综上对于车牌检测和识别有如下3种方案
PP-OCRv3中英文超轻量预训练模型直接预测基于PP-OCRv3的策略在CCPD数据集中微调基于PP-OCRv3的策略在CCPD数据集中微调后量化
最终检测方案指标如表1所示识别方案如表2所示。 表1 检测方案指标 表2 识别方案指标 预测部署
边缘部署和端侧部署是车牌识别的常见部署方式PaddleLite轻量化推理引擎是飞桨专为手机、IOT端提供的高效推理能力。本范例采用PaddleLite的cpp推理在骁龙855上完成示例演示最终端到端预测速度为224ms。 产业实践范例教程助力企业跨越AI落地鸿沟
飞桨产业实践范例致力于加速AI在产业落地的前进路径减少理论技术与产业应用的差距。范例来源于产业真实业务场景通过完整的代码实现提供从数据准备到模型部署的方案过程解析堪称产业落地的“自动导航”。
真实产业场景与实际具有AI应用的企业合作共建选取企业高频需求的AI应用场景如智慧城市-安全帽检测、智能制造-表计读数等完整代码实现提供可一键运行的代码在“AIStudio一站式开发平台”上使用免费算力一键Notebook运行详细过程解析深度解析从数据准备和处理、模型选择、模型优化和部署的AI落地全流程共享可复用的模型调参和优化经验直达项目落地百度高工手把手教用户进行全流程代码实践轻松直达项目POC阶段。
