前言
上一章讲述了检测模型的实现，本章将实现识别模型，PaddleOCR提供6623个通用字符集，但车牌号不需要那么多。我们只需要识别这些车牌，如蓝色、黄色（单行）、绿色、大型新能源（黄绿色）、大使馆车牌、警牌、武警牌（单行）、军牌（单行）、港澳出入境车牌，只需提取少量字符，让我们继续实现代码。
1
在ppocr/utils/在目录中创建一个只有数字的字符集ppocr_keys_car.txt，71个字符：
川、甘、赣、桂、沪、冀、晋、京、辽、蒙、闽、青琼、陕、皖、渝、粤、云、澳、港警使领 0123456789 ABCDEFGHJKLMNPQRSTUVWXYZ
注意字母字符中不包含注意O这与车牌上的数字0有歧义。
2.导入数据集
数据集可在上一篇文章中下载，目前收集了3万张左右的数据集，为了保证数据集字符平衡，我们就需要合成一部分数据集，这3万张中一半是真实一半是合成的
上面是真实的，下面是合成的：
3.创建配置文件
复制一份yml文件
文件内容如下：
Global: use_gpu: true epoch_num: 500 log_smooth_window: 20 print_batch_step: 10 save_model_dir: ./output/rec_chinese_lite_v2.0_car save_epoch_step: 50 # evaluation is run every 5000 iterations after the 4000th iteration # eval_batch_step: [0, 2000] eval_batch_step: 100 cal_metric_during_train: True # pretrained_model: ./pretrained_models/ch_ppocr_mobile_v2.0_rec_pre/best_accuracy pretrained_model: checkpoints: save_inference_dir: ./inference/rec_chinese_lite_v2.0_car use_visualdl: False infer_img: doc/imgs_words/ch/word_1.jpg # for data or label process character_dict_path: ppocr/utils/ppocr_keys_car.txt character_type: ch max_text_length: 25 infer_mode: False use_space_char: False save_res_path: ./output/rec/predicts_chinese_lite_v2.0.txt Optimizer: name: Adam beta1: 0.9 beta2: 0.999 lr: name: Cosine learning_rate: 0.001 regularizer: name: 'L2' factor: 0.00001 Architecture: model_type: rec algorithm: CRNN Transform: Backbone: name: MobileNetV3 scale: 0.5 model_name: small small_stride: [1, 2, 2, 2] Neck: name: SequenceEncoder encoder_type: rnn hidden_size: 48 Head: name: CTCHead fc_decay: 0.00001 Loss: name: CTCLoss PostProcess: name: CTCLabelDecode Metric: name: RecMetric main_indicator: acc Train: dataset: name: SimpleDataSet data_dir: ./train_data/ label_file_list: - "./train_data/car/car1/rec_gt_train.txt" - "./train_data/car/car2/rec_gt_train.txt" - "./train_data/car/car3/rec_gt_train.txt" ratio_list: [1.0,1.0,0.3] transforms: - DecodeImage: # load image img_mode: BGR channel_first: False - RecAug: - CTCLabelEncode: # Class handling label - RecResizeImg: image_shape: [3, 32, 320] - KeepKeys: keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order loader: shuffle: True batch_size_per_card: 32 drop_last: True num_workers: 8 Eval: dataset: name: SimpleDataSet data_dir: ./train_data/ label_file_list: - "./train_data/car/car1/rec_gt_test.txt" - "./train_data/car/car2/rec_gt_test.txt" - "./train_data/car/car3/rec_gt_test.txt" ratio_list: [1.0,1.0,0.3] transforms: - DecodeImage: # load image img_mode: BGR channel_first: False - CTCLabelEncode: # Class handling label - RecResizeImg: image_shape: [3, 32, 320] - KeepKeys: keep_keys: ['image', 'label', 'length'] # dataloader will return list in this order loader: shuffle: False drop_last: False batch_size_per_card: 32 num_workers: 84.执行命令GPU训练
python -m paddle.distributed.launch --gpus 0 tools/train.py -o Global.use_visualdl=True -c configs/rec/ch_ppocr_v2.0/rec_chinese_lite_train_v2.0_car.yml注意显存问题，需要大于4G的显存，2G显存会溢出
5.显示操作图
visualdl --logdir=output/rec_chinese_lite_v2.0_car/vdl --port 8081最高能达到识别模型效果：acc：0.99
6、导出模型
python tools/export_model.py -c configs/rec/ch_ppocr_v2.0/rec_chinese_lite_train_v2.0_car.yml -o Global.pretrained_model="./output/rec_chinese_lite_v2.0_car/best_accuracy" Global.save _inference_dir="./output/rec_chinese_lite_v2.0_car/"串联验证检测模型和识别模型：
python tools/infer/predict_system.py --det_algorithm="DB" --det_model_dir="./inference/ch_db_mv3_car/" --rec_model_dir=./inference/rec_chinese_lite_v2.0_car/ --image_dir="C:\Users\YY007\Desktop\car\1.jpg"--rec_char_dict_path="./ppocr/utils/ppocr_keys_car.txt" --use_gpu=True --use_angle_cls=False --det_db_unclip_ratio=1.87、验证模型
小结
到这一步，车牌号识别已经完成，通过PaddleOCR来完成车牌号识别功能，只需要改动很少的代码就可以完成识别功能，具体改动参考“基于PaddleOCR车牌号识别实现（一）”文本检测部分，大家可通过提升数据集数量或者使用别的分割网络来试试看效果，下方提供的模型开箱就可以使用。
识别模型下载地址：