🚀 YOLOv8车牌检测

本项目使用YOLOv8目标检测模型来检测车牌。所使用的数据集是Keremberke的车牌目标检测数据集，并且该模型是使用Ultralytics YOLOv8框架进行训练的。

🚀 快速开始

本项目借助YOLOv8模型实现车牌检测功能，以下将详细介绍项目的安装、数据处理及模型训练等步骤。

✨ 主要特性

• 使用YOLOv8目标检测模型进行车牌检测。
• 采用Keremberke的车牌目标检测数据集进行训练。
• 利用Ultralytics YOLOv8框架完成模型的训练。

📦 安装指南

确保你已经安装了所需的依赖项：

pip install datasets ultralytics opencv-python numpy pandas matplotlib

💻 使用示例

基础用法

加载数据集

数据集从Hugging Face的datasets库中加载：

from datasets import load_dataset
ds = load_dataset("keremberke/license-plate-object-detection", "full")

该数据集被划分为：

• 训练集
• 验证集
• 测试集

数据预处理

• 从数据集中提取图像并保存到本地。
• 将边界框标注转换为YOLO格式（归一化坐标）。
• 数据集的结构如下：

dataset/
├── images/
│   ├── train/
│   ├── val/
├── labels/
│   ├── train/
│   ├── val/

模型训练

在数据集上对预训练的YOLOv8模型（yolov8n.pt）进行微调：

from ultralytics import YOLO

model = YOLO('yolov8n.pt')  # 加载一个小型的YOLOv8模型
results = model.train(data="dataset.yaml", epochs=75, imgsz=640, batch=16)

高级用法

训练配置

• 训练轮数：75
• 图像尺寸：640x640
• 批量大小：16

📚 详细文档

数据集

本项目使用的数据集是从Hugging Face的datasets库中加载的keremberke/license-plate-object-detection。该数据集包含了用于车牌检测的图像和对应的标注信息，并且被划分为训练集、验证集和测试集。

数据预处理

在训练模型之前，需要对数据进行预处理。具体步骤包括从数据集中提取图像并保存到本地，将边界框标注转换为YOLO格式（归一化坐标），以及将数据集按照特定的目录结构进行组织。

模型训练

使用预训练的YOLOv8模型（yolov8n.pt）在数据集上进行微调。训练过程中，可以根据需要调整训练轮数、图像尺寸和批量大小等参数。

📄 许可证

本项目采用Apache-2.0许可证。