当前位置：首页 > article >正文

使用FastAPI构建车牌检测识别服务

article 2025/9/13 18:44:11

概述

FastAPI

FastAPI是一个现代的高性能 Web 框架，用于使用 Python 构建 API。它可以让开发者轻松快速高效地构建 API，同时提供 API 的自动验证、序列化和文档记录等功能，是构建 Web 服务和微服务的热门选择。

YOLO

YOLO(YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而广受欢迎。多年来，从传统的计算机视觉技术到先进的深度学习模型，物体检测技术都有了长足的发展。YOLO 模型系列一直走在这一发展的前沿，不断突破实时物体检测的极限。YOLO 的独特方法将物体检测视为一个单一的回归问题，在单次评估中直接从完整图像中预测边界框和类概率。这种革命性的方法使YOLO 模型在保持高精度的同时，速度明显快于两阶段检测方法。YOLO11融入了计算机视觉研究的最新进展，为实际应用提供了更好的速度-精度权衡。

使用YOLO11实现车牌检测

得益于YOLO模型的速度-精度权衡，即使是使用nano模型，也能在很短时间内训练出可用于一般场景使用的车牌检测模型。

这里我们从CCPD2019数据集选取10000副图片子集和CCPD2020全部图片作为数据集，根据其标注方法生成训练YOLO模型所需要的数据格式。具体数据集制作方法不在此展开。

检测训练

import datetime
from ultralytics import YOLOdef yolo11_detect_train():model = YOLO('yolo11n.yaml').load('yolo11n.pt')model.info()data='data.yaml'     project= 'runs_normal'start_time = datetime.datetime.now()print(f"开始训练 {start_time.strftime('%Y-%m-%d %H:%M:%S')}")#CCPD图片imgsz=640， 设置batch 64(占用9GB 显存)model.train(data=data, epochs=100, imgsz=640, batch=64, workers=8, project=project,fliplr = 0.0,)end_time = datetime.datetime.now()print(f"训练结束 {end_time.strftime('%Y-%m-%d %H:%M:%S')}")if __name__ == '__main__':yolo11_detect_train()

车牌识别

常用的车牌识别神经网络有多种，包括CRNN、Intel LPRNet、飞桨PaddleOCR等等，可以选择一种进行训练，均有不错的识别效果。

本项目选择使用CRNN，在CCPD数据集和自行收集制作的车牌数据集进行了训练，能够比较准确的识别常见的车牌，在大部分场景下具有良好的效果。

车牌检测和识别程序

本项目主要构建了class PlateRecognizer进行车牌检测、车牌识别、图像标注等处理。

class PlateRecognizer:def __init__(self):#初始化yolo检测模型和车牌识别模型self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")self.detect_model = YOLO('weights/yolo11n_plate.pt')  # 初始化检测模型self.rec_model = init_model(self.device, 'weights/model_color.pth', is_color=True)  # 初始化识别模型self.result_list = []self.imgsz = 1280self.output_path = 'output'self.save_image=True#运行检测推理和车牌识别def det_rec_plate(self, img):self.result_list=[]img_ori = copy.deepcopy(img)#运行检测推理results = self.detect_model.predict(source = img,save = False,