【“星睿O6”AI PC开发套件评测】车牌识别

本文介绍了瑞莎星睿 O6 (Radxa Orion O6) 开发板结合 YOLO 模型实现物体识别的项目设计，包括通过 CPU 和 NPU 实现板端推理的相关流程。

项目介绍

准备工作：OpenCV 安装、Ultralytics 软件包安装、预训练模型下载等；
车牌识别：采用 LPRNet 算法及 ONNX 模型实现车牌识别的板端推理；

为了快速实现人脸检测和物体识别，需完成 OpenCV 部署和 Ultralytics 软件包的安装等操作。

准备工作

包括虚拟环境创建、OpenCV 安装、Ultralytics 库部署等。

OpenCV 安装

OpenCV 是一个开源的计算机视觉库，广泛应用于图像处理、视频分析和机器学习等领域。

为了避免影响系统 Python，这里采用创建虚拟环境的方案

创建并激活虚拟环境

mkdir ~/cv && cd ~/cv    # 创建 cv 文件夹，便于管理
python3 -m venv venv     # 创建虚拟环境 venv
source venv/bin/activate # 激活虚拟环境 venv

升级 pip 并安装 NumPy + OpenCV 全家桶

pip install -U pip numpy                          # 安装 numpy
pip install opencv-python opencv-contrib-python   # opencv 主模块及 contrib

验证安装

python3 -c "import cv2,sys,numpy;print('OpenCV:',cv2.__version__,'NumPy:',numpy.__version__)"

输出版本号

详见：OpenCV .

Ultralytics 部署

Ultralytics 基于多年在计算机视觉和人工智能领域的基础研究，打造出尖端、先进的YOLO 模型；

具有 速度快、精度高、操作简便 等特点。

在目标检测、跟踪、实例分割、图像分类和姿态估计等任务中表现出色。

使用系统或第三方轮子，安装 ultralytics 软件包

# 升级系统工具
sudo apt update && sudo apt install -y python3-dev python3-pip libopenblas-dev
# 安装 ultralytics
pip install ultralytics

验证安装

python3 -c "import ultralytics, sys, torch; print('✅ ultralytics', ultralytics.__version__, '| torch', torch.__version__, '| Python', sys.version.split()[0])"

输出相应版本号

详见：ultralytics .

车牌识别

车牌识别网络（License Plate Recognition Network，LPRNet）是一种专为车牌识别设计的深度学习模型。

它采用端到端的训练方法，能够直接从原始图像中识别出车牌文本，无需进行传统的字符分割步骤。

这种设计使得 LPRNet 在处理车牌识别任务时更加高效和准确，特别是在面对复杂背景或不同国家的车牌样式时。

详见：LPRNet GitHub .

模型

下载所需模型文件；

wget https://github.com/h030162/PlateRecognition/blob/main/ocr_rec.py
wget https://github.com/h030162/PlateRecognition/blob/main/license_models/dict.txt
wget https://github.com/h030162/PlateRecognition/blob/main/license_models/license_ocr.onnx
wget https://github.com/h030162/PlateRecognition/blob/main/license_models/y11n-pose_plate_best.onnx

将文件存放在对应路径

license_plate_recognition
   ├── img
   │   ├── yue.jpg
   ├── lpr_onnx.py
   ├── model
   │   ├── dict.txt
   │   ├── license_ocr.onnx
   │   └── y11n-pose_plate_best.onnx
   └── ocr_rec.py

参考：PlateRecognition | Github .

代码

终端执行 source ~/cv/venv/bin/activate 激活虚拟环境；
执行 touch lpr_onnx.py 新建程序文件，并添加如下代码

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from ocr_rec import TextRecognizer, init_args
from PIL import Image, ImageDraw, ImageFont
from ultralytics import YOLO
import warnings
warnings.filterwarnings("ignore")

# ========== figure ==========
#IMG_FILE = "./img/yue.jpg"
args = init_args().parse_args()
IMG_FILE = args.image_path or './img/yue.jpg'   # image path
# 使用方法：python lpr_onnx.py --image_path ./img/jing.jpg

# =========== class ===========
class PlateRecognizer:
    def __init__(self, det_model_path="./model/y11n-pose_plate_best.onnx"):
        self.model_det = YOLO(det_model_path)
        parser = init_args().parse_args()
        self.model_ocr = TextRecognizer(parser)

    def recognize(self, img):
        plate_objs = []
        plates = self.model_det(img, verbose=False)
        for plate, conf in zip(plates[0].boxes.xyxy, plates[0].boxes.conf):
            x1, y1, x2, y2 = map(int, plate.cpu())
            plate_img = img[y1:y2, x1:x2]
            try:
                rec_res, _ = self.model_ocr([plate_img])
            except Exception as E:
                print(E)
                continue
            if len(rec_res[0]) > 0:
                plate_objs.append({
                    'text': rec_res[0][0],
                    'score_text': rec_res[0][1],
                    'bbox': [x1, y1, x2, y2],
                    'score_bbox': conf.cpu().numpy().item()
                })
        return plate_objs

def DrawPlateNum(img, plate_num, x1, y1):
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img_pil = Image.fromarray(img_rgb)
    draw = ImageDraw.Draw(img_pil)
    font = ImageFont.truetype("/usr/share/fonts/truetype/wqy/wqy-zenhei.ttc", 40) # 系统字体

    # -------- 优化标签显示，增加填充背景，兼容新版 Pillow ----------------
    left, top, right, bottom = draw.textbbox((0, 0), plate_num, font=font)
    tw, th = right - left, bottom - top
    # 蓝色填充条
    draw.rectangle([(x1, y1 - th - 8), (x1 + tw, y1)], fill=(0, 0, 255))   # BGR 蓝色
    # 绿色文字
    draw.text((x1, y1 - th - 16), plate_num, font=font, fill=(0, 255, 0))   # BGR 绿色
    
    return cv2.cvtColor(np.array(img_pil, dtype=np.uint8), cv2.COLOR_RGB2BGR)

# ========== 主程序 ==========
def main():
    img = cv2.imread(IMG_FILE)
    if img is None:
        print(f"未找到图片：{IMG_FILE}")
        cv2.waitKey(0)
        return

    recognizer = PlateRecognizer()
    plates = recognizer.recognize(img)

    for p in plates:
        x1, y1, x2, y2 = p['bbox']
        cv2.rectangle(img, (x1, y1), (x2, y2), (255, 0, 0), 2)
        img = DrawPlateNum(img, p['text'], x1, y1)
        print(f"车牌: {p['text']}  置信度: {p['score_text']:.4f}  框置信度: {p['score_bbox']:.4f}")

    cv2.imshow("LPR", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

保存代码。