Vehicle_License_Plate_Recognition

Vehicle_License_Plate_Recognition

模型名称	Vehicle_License_Plate_Recognition
类别	图像 - 文字识别
网络	-
数据集	CCPD
是否支持Fine-tuning	否
模型大小	111MB
最新更新日期	2021-03-22
数据指标	-

一、模型基本信息

• 应用效果展示

  • 样例结果示例：

    
    

• 模型介绍

  • Vehicle_License_Plate_Recognition是一个基于CCPD数据集训练的车牌识别模型，能够检测出图像中车牌位置并识别其中的车牌文字信息。

二、安装

• 1、环境依赖

  • paddlepaddle >= 2.0.0

  • paddlehub >= 2.0.4

  • paddleocr >= 2.0.2

• 2、安装

  • $ hub install Vehicle_License_Plate_Recognition

三、模型API预测

• 1、预测代码示例

  • import paddlehub as hub
    import cv2
    
    model = hub.Module(name="Vehicle_License_Plate_Recognition")
    result = model.plate_recognition(images=[cv2.imread('/PATH/TO/IMAGE')])

• 2、API

  • def plate_recognition(images)

    • 车牌识别 API。

    • 参数

      • images (list[numpy.ndarray]): 图片数据，ndarray.shape 为 [H, W, C]；
        

    • 返回

      • results(list(dict{'license', 'bbox'})): 识别到的车牌信息列表，包含车牌的位置坐标和车牌号码

四、服务部署

• PaddleHub Serving可以部署一个在线车牌识别服务。

• 第一步：启动PaddleHub Serving

  • 运行启动命令：

  • $ hub serving start -m Vehicle_License_Plate_Recognition

  • 这样就完成了一个车牌识别的在线服务API的部署，默认端口号为8866。

  • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

• 第二步：发送预测请求

  • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

  • import requests
    import json
    import cv2
    import base64
    
    
    def cv2_to_base64(image):
      data = cv2.imencode('.jpg', image)[1]
      return base64.b64encode(data.tostring()).decode('utf8')
    
    # 发送HTTP请求
    data = {'images':[cv2_to_base64(cv2.imread("/PATH/TO/IMAGE"))]}
    headers = {"Content-type": "application/json"}
    url = "http://127.0.0.1:8866/predict/Vehicle_License_Plate_Recognition"
    r = requests.post(url=url, headers=headers, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json()["results"])

五、更新历史

• 1.0.0

  初始发布

  • $ hub install Vehicle_License_Plate_Recognition==1.0.0