基于YOLO的车牌检测

Question

我正在尝试训练一个模型来检测巴基斯坦汽车的车牌。我发现了一种更快的技术叫YOLO。这是一个链接YOLOv2

我关注的训练YOLOv2的博客是this blog

根据这个博客，我需要有汽车的图像，我需要注释这些图像(需要标记车牌的位置)，以准备测试数据和训练数据。问题是我已经有了表单的训练数据

​

​

本教程要求我像这样从汽车图像中进行注释。

​

​

如果有人使用过YOLO，请告诉我如何避免注释，并使用自己的训练数据来训练YOLO模型。

Answer 1

Yolo培训需要以下注释格式

[class] [X] [Y] [W] [H]

i.e

0 0.443359 0.434722 0.391406 0.869444

如果您有相同的注释数据集，恭喜您可以开始训练。如果您没有相同的工具，可以使用github上提供的工具进行转换。

更新:例如，注释是从中心开始计算的。如果您使用的是x1、y1、x2、y2格式，则需要对其进行转换。

def convert_to_yolo_format(path, x1, y1, x2, y2):
    """
    Definition: Converts (x1, y1, x1, y2) format to
        (x, y, width, height) normalized YOLO format.
    """
    size = get_img_shape(path) # size array [width,height]
    dw = 1./size[0]
    dh = 1./size[1]
    x = (x1 + x2)/2.0 # centroid x
    y = (y1 + y2)/2.0 # centroid y
    w = x2 - x1 # width
    h = y1 - y2 # height
    x = abs(x*dw) # divide by width
    w = abs(w*dw) # divide by width
    y = abs(y*dh) # divide by height
    h = abs(h*dh) # divide by height
    return (x,y,w,h)

Answer 2

我现在还用YOLO处理LP识别。这是一个很好的选择，如上所述，为了解决目标检测问题，你需要的训练集不是用纯LP，而是用“自然环境中的LP”来训练Yolo来找到帧上的LP位置。如果你没有得到它，但只有一组裸露的LP，你需要以某种人为的方式生成它。我可以建议1)用反例(没有LP的图像)扩展你的训练集2)训练Yolo用于对象分类问题3)使用移动窗口使用获得的分类模型处理你未标记的“自然环境”训练集来检测LP地面真实位置(是的，这可能是资源消耗...)从而得到目标检测问题的训练集4)训练神经网络来解决目标检测问题。顺便说一句，你可以使用在步骤2中训练的相同的神经网络，但具有更大的输入大小和改变的最后一层作为检测问题的初始权重(但对我来说，与从头开始训练检测相比，它没有任何改进)。