1. 项目背景与数据集价值这个数据集专门针对中国新能源车辆特有的蓝牌和绿牌车牌检测任务而构建。在智能交通管理、停车场自动识别、违章抓拍等场景中新能源车牌的准确识别一直存在特殊挑战——不同于传统蓝牌绿牌采用渐变绿色底色且字符间距更大常规车牌检测模型容易产生漏检。数据集包含2200张高质量标注图片覆盖各种光照条件逆光/夜间、天气状况雨雪雾、拍摄角度俯视/侧视等真实场景。我通过实地采集和开源数据清洗确保样本多样性其中60%为绿牌样本含小型新能源车渐变绿牌和大型车黄绿双色牌40%为传统蓝牌样本作为负样本。关键价值这是目前公开渠道能获取到的唯一同时标注新能源绿牌和传统蓝牌的中文车牌数据集特别适合需要兼容新旧车牌的智慧交通项目。2. 数据标注与格式详解2.1 标注工具与规范使用labelImg进行手工标注所有车牌区域均采用矩形框精确标注标注规范包括边界框紧贴车牌边缘保留2-3像素缓冲倾斜车牌按最小外接矩形标注遮挡超过30%的车牌不予标注类别标签blue_plate/green_plate2.2 数据格式说明提供两种主流格式满足不同训练需求VOC格式Annotations/ ├── 0001.xml ├── 0002.xml ... JPEGImages/ ├── 0001.jpg ├── 0002.jpg ...XML文件包含完整的PASCAL VOC标注信息示例片段object namegreen_plate/name bndbox xmin256/xmin ymin112/ymin xmax382/xmax ymax148/ymax /bndbox /objectYOLO格式labels/ ├── 0001.txt ├── 0002.txt ... images/ ├── 0001.jpg ├── 0002.jpg ...TXT文件采用归一化坐标0-1范围每行格式class_id x_center y_center width height例如1 0.512 0.325 0.168 0.048格式转换技巧已提供转换脚本voc2yolo.py支持批量格式互转和COCO格式导出。3. 数据增强与预处理方案3.1 基础增强策略针对车牌检测的特殊性推荐使用以下增强组合以Albumentations为例transform A.Compose([ A.RandomBrightnessContrast(p0.5), A.RandomFog(fog_coef_lower0.1, fog_coef_upper0.3, p0.2), # 模拟雾天 A.RandomRain(p0.1), # 雨滴效果 A.Rotate(limit15, p0.5), # 小角度旋转 A.Resize(640, 640) ], bbox_paramsA.BboxParams(formatyolo))3.2 针对新能源车牌的专项增强由于绿牌存在色彩渐变特征需特别注意禁用HSV色彩空间剧烈变换对绿色通道单独进行有限度的对比度调整添加模拟反光特效使用光学滤镜模拟4. 模型训练实战YOLOv8示例4.1 环境配置conda create -n plate python3.8 conda activate plate pip install ultralytics8.0.0 pip install opencv-contrib-python4.7.0.724.2 数据集配置创建plate.yamlpath: /datasets/plate train: images/train val: images/val test: images/test names: 0: blue_plate 1: green_plate4.3 训练命令与参数yolo detect train dataplate.yaml modelyolov8n.pt epochs100 imgsz640 \ batch16 optimizerAdam lr00.001 cos_lrTrue \ hsv_h0.2 hsv_s0.7 hsv_v0.4 \ translate0.2 scale0.5 flipud0.5关键参数说明hsv_h调低保护绿牌色彩特征translate/scale调高增强小目标检测能力flipud0.5启用上下翻转应对隧道摄像头倒装情况5. 性能优化与部署技巧5.1 模型轻量化方案在RK3588开发板上的优化策略from ultralytics import YOLO model YOLO(yolov8n.pt) model.export(formatonnx, simplifyTrue, dynamicFalse, opset12)优化效果对比模型类型参数量推理速度(RK3588)mAP0.5YOLOv8n3.2M22ms0.891YOLOv8s11.4M38ms0.9025.2 实际部署中的注意事项后处理优化采用加权NMSwnms处理密集车牌from utils.general import non_max_suppression pred non_max_suppression(pred, conf_thres0.25, iou_thres0.45, agnosticFalse, max_det100)针对夜间场景建议添加红外图像分支需额外标注数据6. 常见问题解决方案6.1 典型错误案例问题绿牌检测召回率低原因分析传统数据增强破坏色彩特征解决方案禁用ColorJitter增强在损失函数中加入色彩敏感度权重loss criterion(pred, targets) loss 0.3 * color_consistency_loss(pred, targets)6.2 评估指标异常排查当出现mAP高但实际效果差时检查验证集是否包含足够多的极端样本如强反光车牌验证标注一致性运行python utils/annotations.py --check-labels测试单张图片推理效果yolo detect predict modelbest.pt sourcetest.jpg7. 数据集扩展建议对于需要更高精度的场景建议增加特殊角度样本使用无人机采集俯视图补充极端天气数据可通过GAN合成加入模糊车牌样本动态模糊增强我已将数据集的困难样本hard cases单独打包包含重度遮挡车牌雪覆盖/货物遮挡变形车牌事故车辆低照度车牌隧道内拍摄