之前在做一個車牌識別相關(guān)的視覺項目時最棘手的部分并不是模型選型而是如何把訓練好的深度學習模型快速落地成一個帶界面的、能演示也能實際用的工具。網(wǎng)上關(guān)于 YOLOv8 的教程很多PyQt5 的案例也不少但把兩者完整打通做成一套“能跑、能看、能操作”的車牌檢測識別系統(tǒng)相關(guān)資料其實比較零散。這篇文章就把我踩過的坑和完整的實現(xiàn)思路整理出來從環(huán)境配置、數(shù)據(jù)集處理、YOLOv8 訓練到 PyQt5 界面開發(fā)與模型集成一次性講清楚新手可以照著做有基礎(chǔ)的開發(fā)者也能直接復用核心代碼。1. 車牌檢測識別系統(tǒng)概述1.1 什么是車牌檢測識別系統(tǒng)車牌檢測識別系統(tǒng)本質(zhì)上是一個計算機視覺應(yīng)用它要解決兩個核心問題第一是“車牌在哪里”第二是“車牌號是什么”。第一個問題屬于目標檢測Object Detection需要從復雜場景中把車牌區(qū)域框出來第二個問題屬于字符識別Character Recognition需要把框出來的車牌圖片轉(zhuǎn)換成文本。傳統(tǒng)方案通常依賴圖像處理技術(shù)比如邊緣檢測、顏色分割、形態(tài)學操作等。這類方法在固定場景、固定角度、光線穩(wěn)定的情況下表現(xiàn)尚可但一旦遇到復雜背景、傾斜車牌、夜間光照不足或者模糊圖像魯棒性就會明顯下降。基于深度學習的方案則完全不同。YOLOv8 這類目標檢測模型可以通過大量標注數(shù)據(jù)自動學習車牌的視覺特征對光照變化、尺度變化、遮擋和傾斜都有更好的適應(yīng)能力。再加上 PyQt5 構(gòu)建圖形界面就可以把模型能力封裝成一個普通人也能直接使用的桌面應(yīng)用程序。1.2 YOLOv8 為什么適合車牌檢測YOLOYou Only Look Once系列模型是目前工業(yè)界應(yīng)用最廣泛的目標檢測算法之一核心特點是速度快、精度高、部署友好。YOLOv8 是 Ultralytics 團隊發(fā)布的最新版本相比之前的 YOLOv5在網(wǎng)絡(luò)結(jié)構(gòu)、訓練策略和工程化方面都有明顯改進尤其是在小目標檢測和邊緣設(shè)備部署場景。車牌檢測這個任務(wù)有幾個特點車牌目標在整張圖片中占比通常不大、長寬比固定、邊緣清晰。YOLOv8 的 anchor-free 檢測頭對這類目標比較友好配合合適的分辨率和數(shù)據(jù)增強策略能夠取得很好的效果。而且 Ultralytics 提供的 Python 包封裝得特別好訓練、驗證、導出、推理都可以用幾行代碼完成非常適合做成項目。1.3 PyQt5 在系統(tǒng)中的作用PyQt5 是 Qt 框架的 Python 綁定用來開發(fā)跨平臺桌面應(yīng)用。在這個項目中PyQt5 主要負責加載訓練好的 YOLOv8 模型、顯示圖片或視頻畫面、實時展示檢測結(jié)果、提供文件選擇和攝像頭采集等交互功能。我們可以把整個系統(tǒng)理解成三層底層是 YOLOv8 模型負責視覺識別中間層是業(yè)務(wù)邏輯負責調(diào)用模型并處理結(jié)果最上層是 PyQt5 界面負責展示和交互。這種架構(gòu)清晰穩(wěn)定后續(xù)如果想替換模型或者增加新功能改動成本也比較可控。1.4 系統(tǒng)整體架構(gòu)整個系統(tǒng)的數(shù)據(jù)流可以這樣描述圖像或視頻流經(jīng)過 YOLOv8 檢測模型得到車牌位置坐標然后通過坐標裁剪出車牌區(qū)域再送入字符識別模塊最后把識別結(jié)果傳回 PyQt5 界面顯示。如果識別的是視頻流還需要考慮幀率控制和結(jié)果緩存避免界面卡頓。為了便于理解可以把流程拆分為以下步驟輸入支持圖片文件、視頻文件、攝像頭實時畫面。檢測YOLOv8 模型輸出車牌目標框。識別對目標框區(qū)域執(zhí)行 OCR 識別得到車牌字符串。顯示在界面中繪制檢測框和標注文字保存識別記錄。2. 環(huán)境準備與版本說明2.1 開發(fā)環(huán)境清單在開始寫代碼之前先把環(huán)境準備好。版本需要根據(jù)你的項目實際情況調(diào)整本文示例以常見環(huán)境為例重點演示配置思路。組件推薦版本說明操作系統(tǒng)Windows 11 / Ubuntu 20.04其他版本也可以但路徑和命令可能有差異Python3.9 - 3.11YOLOv8 依賴 PyTorch注意 Python 版本兼容PyTorch2.xGPU 版本需按 CUDA 版本安裝Ultralytics8.xYOLOv8 官方 Python 包PyQt55.15.x穩(wěn)定版本兼容性較好OpenCV4.x圖像處理與攝像頭采集CUDA11.8 或 12.1訓練時加速取決于顯卡驅(qū)動2.2 安裝步驟先創(chuàng)建虛擬環(huán)境避免不同項目依賴沖突。conda create -n plate_recognition python3.10 -y conda activate plate_recognition安裝 PyTorch。如果你有 NVIDIA GPU可以安裝 CUDA 版本如果只有 CPU安裝 CPU 版本即可。# GPU 版本以 CUDA 11.8 為例 pip install torch torchvision --index-url https://download.pytorch.org/whl/cu118 # CPU 版本 pip install torch torchvision安裝其余依賴。pip install ultralytics pip install pyqt5 pip install opencv-python pip install pillow pip install numpy安裝完成后可以用下面的命令驗證環(huán)境是否正常python -c import torch; print(torch.__version__, torch.cuda.is_available()) python -c import ultralytics; print(ultralytics.__version__) python -c import PyQt5; print(PyQt5 OK)2.3 關(guān)于 GPU 與 CPU 的說明訓練 YOLOv8 模型時GPU 幾乎是必需的。以 GTX 1660 Ti 這類入門級顯卡為例顯存 6GB訓練 YOLOv8s 模型、圖片分辨率 640 時是可以跑起來的但 batch size 需要調(diào)小一些。如果顯存不足建議先使用預訓練模型做推理驗證流程再考慮訓練。推理階段對算力的要求低很多CPU 也能跑但幀率會比較低。如果做實時攝像頭識別建議有一塊支持 CUDA 的 NVIDIA 顯卡。2.4 項目結(jié)構(gòu)規(guī)劃提前規(guī)劃好項目結(jié)構(gòu)代碼維護起來會輕松很多。plate_recognition/ ├── main.py # 程序入口 ├── detector.py # YOLOv8 檢測封裝 ├── ui/ │ ├── main_window.py # 主界面 │ └── resources/ # 圖標等資源 ├── models/ │ └── best.pt # 訓練好的模型權(quán)重 ├── data/ │ ├── images/ # 測試圖片 │ └── videos/ # 測試視頻 └── requirements.txt # 依賴清單3. YOLOv8 車牌檢測模型訓練3.1 數(shù)據(jù)集準備車牌檢測屬于有監(jiān)督學習需要準備標注好的數(shù)據(jù)集。常見的公開數(shù)據(jù)集包括 CCPD中國城市車牌數(shù)據(jù)集等也可以根據(jù)自己的場景標注數(shù)據(jù)。標注格式需要符合 YOLO 格式也就是每個目標對應(yīng)一個 txt 文件內(nèi)容為類別id x_center y_center width height其中 x_center、y_center、width、height 都是歸一化到 0-1 之間的值。以一張 1920x1080 的圖片為例如果一個車牌的左上角坐標為 (500, 400)右下角為 (700, 500)那么歸一化后的標注為0 0.3125 0.4167 0.1042 0.0926計算過程是將 x_center (500 700) / 2 / 1920y_center (400 500) / 2 / 1080width (700 - 500) / 1920height (500 - 400) / 1080。如果你的數(shù)據(jù)集是其他格式比如 VOC 格式可以使用 Ultralytics 提供的轉(zhuǎn)換腳本或者用 LabelImg、X-AnyLabeling 等工具手動標注。3.2 數(shù)據(jù)集配置文件在項目中創(chuàng)建dataset.yaml文件內(nèi)容如下path: D:/plate_recognition/data train: images/train val: images/val names: 0: plate這里只有一類目標車牌plate。如果你的數(shù)據(jù)集中還有“藍牌”“黃牌”“新能源車牌”之分也可以把類別分開定義增加類別數(shù)。3.3 訓練模型用 Ultralytics 訓練 YOLOv8 非常簡單核心代碼如下from ultralytics import YOLO # 加載預訓練模型這里使用 YOLOv8s 版本 model YOLO(yolov8s.pt) # 開始訓練 results model.train( datadataset.yaml, epochs100, imgsz640, batch16, device0, # 0 表示第一塊 GPUCPU 可設(shè)為 cpu workers4, nameplate_detect, patience20, # 早停防止過擬合 augmentTrue, # 開啟數(shù)據(jù)增強 )訓練過程中終端會實時輸出每個 epoch 的 loss、精度、召回率等指標。訓練完成后模型權(quán)重會保存在runs/detect/plate_detect/weights/目錄下其中best.pt是驗證集上表現(xiàn)最好的模型last.pt是最后一個 epoch 的模型。3.4 訓練結(jié)果評估訓練完成后通過驗證集評估模型效果from ultralytics import YOLO model YOLO(runs/detect/plate_detect/weights/best.pt) results model.val(datadataset.yaml, splitval) print(fmAP50: {results.box.map50:.4f}) print(fmAP50-95: {results.box.map:.4f})如果 mAP50 能達到 95% 以上說明檢測效果很好如果低于 90%可能需要增加數(shù)據(jù)量、調(diào)大訓練輪數(shù)或更換更大的模型結(jié)構(gòu)。3.5 模型導出為了提升推理速度可以把模型導出為 TensorRT 格式需要 GPU或者 ONNX 格式。ONNX 格式可以跨平臺部署。model.export(formatonnx, imgsz640)導出完成后目錄下會生成best.onnx文件后續(xù)代碼中可以直接加載使用。4. 車牌字符識別方案4.1 基于 PaddleOCR 的字符識別車牌檢測出來之后還需要識別車牌字符。現(xiàn)在工業(yè)界比較常用的方案是 PaddleOCR它提供了靈活的 OCR 能力輕量模型識別速度也很快。安裝 PaddleOCRpip install paddlepaddle paddleocr字符識別代碼from paddleocr import PaddleOCR ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) def recognize_plate(image, box): x1, y1, x2, y2 map(int, box) cropped image[y1:y2, x1:x2] result ocr.ocr(cropped, clsTrue) if not result or result[0] is None: return lines result[0] if len(lines) 0: return for line in lines: text line[1][0] return text return PaddleOCR 返回的結(jié)果是一個嵌套列表每個元素包含文本框坐標、識別文本和置信度。這里我們只要文本內(nèi)容即可。4.2 基于規(guī)則的后處理OCR 識別的結(jié)果不一定是干凈的車牌號可能包含一些干擾字符或者空格。實際項目中通常會做后處理比如只保留中文、字母和數(shù)字并將英文字母統(tǒng)一大寫。import re def post_process_plate(text): if not text: return text text.upper() text re.sub(r[^A-Z0-9\u4e00-\u9fa5], , text) # 車牌一般由省份簡稱 字母 字母數(shù)字組成長度通常在 7-8 位 if len(text) 7: return text[:8] return text4.3 檢測與識別整體封裝把檢測和識別封裝到一個類中方便 PyQt5 界面調(diào)用。import cv2 from ultralytics import YOLO from paddleocr import PaddleOCR class PlateRecognizer: def __init__(self, model_pathmodels/best.pt, devicecpu): self.detector YOLO(model_path) self.ocr PaddleOCR(use_angle_clsTrue, langch, show_logFalse) self.device device def detect(self, image): 檢測車牌位置返回坐標列表 results self.detector(image, deviceself.device) plates [] for result in results: boxes result.boxes if boxes is None: continue xyxy boxes.xyxy.cpu().numpy() for box in xyxy: x1, y1, x2, y2 box[:4] plates.append([int(x1), int(y1), int(x2), int(y2)]) return plates def recognize(self, image, box): 識別單個車牌區(qū)域 x1, y1, x2, y2 box cropped image[y1:y2, x1:x2] result self.ocr.ocr(cropped, clsTrue) if not result or result[0] is None: return text result[0][0][1][0] if result[0] else return text def process_frame(self, image): 處理一幀圖片返回標注后的圖片和車牌號列表 plates self.detect(image) plate_numbers [] for box in plates: number self.recognize(image, box) plate_number post_process_plate(number) plate_numbers.append((box, plate_number)) x1, y1, x2, y2 box cv2.rectangle(image, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText( image, plate_number, (x1, max(0, y1 - 10)), cv2.FONT_HERSHEY_SIMPLEX, 0.8, (0, 0, 255), 2, ) return image, plate_numbers if __name__ __main__: recognizer PlateRecognizer(model_pathmodels/best.pt, devicecpu) img cv2.imread(data/images/test.jpg) annotated, numbers recognizer.process_frame(img) print(f識別結(jié)果: {numbers}) cv2.imshow(Result, annotated) cv2.waitKey(0)5. PyQt5 界面開發(fā)實戰(zhàn)5.1 主窗口設(shè)計使用 PyQt5 構(gòu)建主窗口功能包括選擇圖片識別、打開攝像頭實時識別、停止識別、清空記錄。界面布局采用經(jīng)典結(jié)構(gòu)左側(cè)控制面板右側(cè)顯示畫面下方顯示識別記錄。import sys from PyQt5.QtWidgets import ( QApplication, QMainWindow, QWidget, QVBoxLayout, QHBoxLayout, QPushButton, QLabel, QTextEdit, QGroupBox, QFileDialog, ) from PyQt5.QtCore import Qt, QTimer from PyQt5.QtGui import QImage, QPixmap import cv2 from detector import PlateRecognizer class MainWindow(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(車牌檢測識別系統(tǒng) - YOLOv8 PyQt5) self.setGeometry(200, 200, 1200, 700) self.recognizer PlateRecognizer( model_pathmodels/best.pt, devicecpu ) self.cap None self.timer QTimer() self.timer.timeout.connect(self.update_frame) self.init_ui() def init_ui(self): central_widget QWidget() self.setCentralWidget(central_widget) main_layout QHBoxLayout(central_widget) # 左側(cè)控制面板 control_panel QGroupBox(控制面板) control_layout QVBoxLayout(control_panel) btn_image QPushButton(選擇圖片識別) btn_image.clicked.connect(self.choose_image) btn_camera QPushButton(打開攝像頭) btn_camera.clicked.connect(self.open_camera) btn_stop QPushButton(停止識別) btn_stop.clicked.connect(self.stop_camera) btn_clear QPushButton(清空記錄) btn_clear.clicked.connect(self.clear_log) control_layout.addWidget(btn_image) control_layout.addWidget(btn_camera) control_layout.addWidget(btn_stop) control_layout.addWidget(btn_clear) control_layout.addStretch() # 右側(cè)畫面顯示區(qū)域 self.image_label QLabel(請選擇圖片或打開攝像頭) self.image_label.setAlignment(Qt.AlignCenter) self.image_label.setStyleSheet(background-color: #333; color: #fff;) # 底部識別記錄 self.log_text QTextEdit() self.log_text.setReadOnly(True) self.log_text.setFixedHeight(150) right_layout QVBoxLayout() right_layout.addWidget(self.image_label, stretch3) right_layout.addWidget(self.log_text, stretch1) main_layout.addWidget(control_panel, stretch1) main_layout.addLayout(right_layout, stretch4) def choose_image(self): path, _ QFileDialog.getOpenFileName( self, 選擇圖片, , 圖片文件 (*.jpg *.png *.jpeg *.bmp) ) if not path: return image cv2.imread(path) if image is None: self.log_text.append(無法讀取圖片文件) return annotated, numbers self.recognizer.process_frame(image) self.show_image(annotated) for box, number in numbers: self.log_text.append(f檢測到車牌: {number}) def open_camera(self): self.cap cv2.VideoCapture(0) if not self.cap.isOpened(): self.log_text.append(攝像頭打開失敗請檢查設(shè)備) return self.timer.start(30) def update_frame(self): ret, frame self.cap.read() if not ret: self.timer.stop() return annotated, numbers self.recognizer.process_frame(frame) self.show_image(annotated) for box, number in numbers: self.log_text.append(f實時識別: {number}) def stop_camera(self): self.timer.stop() if self.cap: self.cap.release() self.cap None def clear_log(self): self.log_text.clear() def show_image(self, image): image cv2.cvtColor(image, cv2.COLOR_BGR2RGB) h, w, ch image.shape bytes_per_line ch * w qt_image QImage(image.data, w, h, bytes_per_line, QImage.Format_RGB888) pixmap QPixmap.fromImage(qt_image) # 自適應(yīng)縮放顯示保持比例 scaled_pixmap pixmap.scaled( self.image_label.size(), Qt.KeepAspectRatio, Qt.SmoothTransformation, ) self.image_label.setPixmap(scaled_pixmap) def closeEvent(self, event): self.stop_camera() event.accept() if __name__ __main__: app QApplication(sys.argv) window MainWindow() window.show() sys.exit(app.exec_())5.2 代碼說明這段代碼的核心思路并不復雜。PlateRecognizer封裝了模型加載、檢測、識別邏輯MainWindow只負責界面交互和狀態(tài)管理。圖片識別直接調(diào)用process_frame方法一次性返回標注結(jié)果攝像頭識別則通過 QTimer 定時讀取一幀調(diào)一次process_frame并刷新畫面。需要注意的細節(jié)是圖片格式轉(zhuǎn)換。OpenCV 默認使用 BGR 顏色空間而 Qt 顯示需要 RGB所以必須用cv2.cvtColor轉(zhuǎn)換否則畫面顏色會偏藍偏暗。另外QImage的 bytesPerLine 參數(shù)不能省略否則顯示可能花屏。5.3 攝像頭幀率優(yōu)化默認的process_frame方法對每一幀都做完整推理在 CPU 上幀率會很低。如果要做實時識別可以降低檢測頻率比如每 3 幀檢測一次def update_frame(self): ret, frame self.cap.read() if not ret: self.timer.stop() return self.frame_count 1 if self.frame_count % 3 0: annotated, numbers self.recognizer.process_frame(frame) self.current_result (annotated, numbers) annotated, numbers self.current_result self.show_image(annotated)這個優(yōu)化對 CPU 推理來說非常有效雖然畫面會稍微延遲但不會嚴重影響用戶體驗。6. 常見問題與排查思路在實際開發(fā)過程中可能會遇到各種問題下面把高頻問題整理成表格方便快速定位。問題現(xiàn)象常見原因解決思路安裝 PyQt5 失敗Python 版本過高PyQt5 沒有對應(yīng) wheel 包使用 Python 3.10 或 3.9升級 pip攝像頭打開失敗攝像頭被其他程序占用或索引錯誤關(guān)閉其他軟件嘗試cv2.VideoCapture(1)推理時提示 CUDA out of memory顯存不足batch size 太大調(diào)小 batch size或切換到 CPU 推理識別結(jié)果為空車牌區(qū)域太小或圖像模糊提高輸入分辨率使用 imgsz960 重新推理界面顯示顏色偏藍BGR 和 RGB 沒有轉(zhuǎn)換添加cv2.cvtColor(image, cv2.COLOR_BGR2RGB)PyQt5 下拉框閃退某些版本的 PyQt5 與操作系統(tǒng)字體或渲染兼容問題升級 PyQt5 到 5.15.10或改用 QtPy 抽象層模型無法加載模型文件路徑錯誤或損壞檢查best.pt路徑重新導出模型攝像頭畫面卡頓CPU 推理速度慢降低檢測頻率縮小輸入尺寸使用 GPU 推理關(guān)于 PyQt5 下拉框閃退的問題這里多解釋一句。這個問題的根因往往是 PyQt5 5.15.4 之前的版本在 Windows 上對某些組件的原生渲染存在兼容性問題尤其是在高 DPI 縮放比例下。最簡單的解決方法是升級 PyQt5 到較新版本pip install pyqt55.15.10如果升級后問題依舊可以在程序入口處調(diào)整 DPI 縮放策略from PyQt5.QtCore import Qt QApplication.setAttribute(Qt.AA_EnableHighDpiScaling, True) QApplication.setAttribute(Qt.AA_UseHighDpiPixmaps, True)這兩個屬性要在 QApplication 實例創(chuàng)建之前設(shè)置才有效。7. 最佳實踐與工程建議7.1 訓練數(shù)據(jù)與模型選型車牌檢測模型的精度上限很大程度上取決于訓練數(shù)據(jù)的質(zhì)量。建議采集多種場景的數(shù)據(jù)不同光照白天、夜晚、逆光、不同角度正面、側(cè)面、俯視、不同距離近景、遠景。數(shù)據(jù)越接近真實環(huán)境模型在線上表現(xiàn)越好。模型選型方面不要一開始就追求大模型。如果只需要檢測車牌YOLOv8s 已經(jīng)足夠如果部署在嵌入式設(shè)備上可以考慮 YOLOv8n。實際項目中優(yōu)先用小的、快的模型跑通全流程再根據(jù)效果決定是否升級。7.2 字符識別方案選擇PaddleOCR 是當前效果較好的 OCR 方案但對車牌這種窄長的字符區(qū)域偶爾會有誤識別。如果對識別精度要求很高可以訓練一個專用的車牌字符分類模型。這個模型只需要識別單個字符數(shù)據(jù)量不大訓練也很簡單。通常思路是先用 YOLOv8 檢測車牌再用字符檢測模型把車牌拆成單個字符最后用分類模型識別每個字符。整體流程比直接用 OCR 稍復雜但可控性更強也是很多車牌識別項目的真實做法。7.3 界面與業(yè)務(wù)邏輯分離不管項目大小都建議把模型、業(yè)務(wù)邏輯和界面拆分開。例如本文中detector.py只負責檢測識別不依賴任何 PyQt5 相關(guān)代碼main_window.py只負責界面交互不直接操作模型。這樣后期無論是替換模型、增加數(shù)據(jù)庫功能還是把界面遷移到 Web改動成本都會小很多。7.4 安全與權(quán)限注意事項如果系統(tǒng)需要對識別結(jié)果做后續(xù)業(yè)務(wù)處理比如門禁聯(lián)動、計費系統(tǒng)需要注意幾個問題攝像頭采集涉及個人隱私部署前應(yīng)確認符合當?shù)胤煞ㄒ?guī)并取得必要授權(quán)。識別記錄中如果包含車牌號應(yīng)視為敏感數(shù)據(jù)數(shù)據(jù)庫建議加密存儲。涉及生產(chǎn)環(huán)境變更和權(quán)限配置時遵循最小權(quán)限原則測試環(huán)境驗證通過后再發(fā)布。模型文件的替換和更新要保留版本記錄避免線上模型不可追溯。7.5 性能優(yōu)化建議如果需要在低性能設(shè)備上運行完整系統(tǒng)可以參考以下幾點輸入尺寸控制車牌檢測不需要 1080P 全尺寸縮放到 640 或 960 就足夠。推理頻率控制實時視頻流不需要逐幀檢測5 FPS 的檢測頻率已經(jīng)能覆蓋大部分場景。硬件加速優(yōu)先使用 NVIDIA GPU TensorRT 導出模型推理速度可以提升數(shù)倍。多線程把模型推理放到子線程中避免阻塞 Qt 界面事件循環(huán)界面才不卡頓。8. 實戰(zhàn)演示與預期效果如果一切順利運行main.py后會看到一個完整的桌面應(yīng)用界面。選擇一張包含車牌的圖片點擊“選擇圖片識別”界面上會清晰顯示綠色檢測框框上方標注車牌號底部識別記錄會列出本次識別的結(jié)果。打開攝像頭后系統(tǒng)會自動檢測畫面中的車牌并實時更新畫面和識別記錄。這里提醒一點PaddleOCR 識別的車牌后續(xù)一定要經(jīng)過后處理過濾。因為 OCR 偶爾會把數(shù)字“0”識別成字母“O”把數(shù)字“1”識別成字母“I”。車牌字符本身有嚴格的編碼規(guī)則可以結(jié)合車牌字符表做校正例如第 2 位必須是字母第 3 位可以是字母或數(shù)字等。這類規(guī)則能明顯降低誤識別率。PLATE_CHARS 京滬津渝冀豫云遼黑湘皖新蒙陜甘寧青魯晉蘇浙贛鄂桂甘粵貴川藏瓊吉閩臺 def correct_plate(text): if len(text) 7: return text text text.upper() # 第 1 位通常為省份簡稱必須是中文 if text[0] not in PLATE_CHARS: text 京 text[1:] # 第 2 位必須是字母 # 可以根據(jù)實際需求編寫校正邏輯 return text9. 總結(jié)這篇文章從車牌檢測識別系統(tǒng)的整體架構(gòu)出發(fā)完整介紹了基于 YOLOv8 的模型訓練思路以及如何用 PyQt5 構(gòu)建一個可用的桌面應(yīng)用。重點內(nèi)容包括車牌數(shù)據(jù)集準備與 YOLOv8 訓練、PaddleOCR 字符識別、檢測識別代碼封裝、PyQt5 界面開發(fā)與攝像頭實時識別、常見問題排查思路和工程化建議。如果是第一次做這類項目建議先按文章中的流程把系統(tǒng)跑通再根據(jù)自己的實際場景調(diào)整模型和界面。接下來可以繼續(xù)學習的方向包括訓練專用的車牌字符識別模型、用 TensorRT 加速推理、把識別結(jié)果記錄保存到數(shù)據(jù)庫、支持視頻文件批量處理等。如果你在做車牌檢測識別的過程中遇到具體報錯歡迎在評論區(qū)留言交流。實際項目里每個人遇到的情況可能都不一樣但底層的排查思路是通用的。