- 一,EasyOCR
- 1.1,仓库介绍
- 1.2,使用记录
- 二,HyperLPR
- 2.1,HyperLPR 概述
- 2.3,使用记录
- 2.3,使用建议
- 三,simple-car-plate-recognition-2
- 3.1,仓库介绍
- 3.2,使用记录
- 3.3,使用建议
- 四,车牌检测-License-Plate-Detector
- 4.1,仓库介绍
- 4.2,建议
- 五,MMOCR
- 5.1,仓库介绍
- 5.2,使用记录
- 5.3,使用建议
- 六,推荐 YOLOv5-LPRNet-Licence-Recognition
- 6.1,仓库介绍
- 6.2,使用记录
一,EasyOCR1.1,仓库介绍
EasyOCR 是一个用于从图像中提取文本的 python 库, 它是一种通用的 OCR,既可以读取自然场景文本,也可以读取文档中的密集文本。目前支持 80 多种语言和所有流行的书写脚本,包括:拉丁文、中文、阿拉伯文、梵文、西里尔文等。
EasyOCR 仓库 截止到 2022-11-8
日,star
数为 16.2k
,其文件目录和作者给出的一些示例效果如下。
├── custom_model.md├── Dockerfile├── easyocr├── easyocr.egg-info├── examples├── LICENSE├── MANIFEST.in├── README.md├── releasenotes.md├── requirements.txt├── scripts├── setup.cfg├── setup.py├── trainer└── unit_test
1.2,使用记录
1,安装较为麻烦
在自行安装了 cuda
库和 pytorch
的基础上,可通过 pip install easyocr
命令安装 easyocr
库,但是注意卸载掉之前安装的 opencv-python
库(如果有)。
2,代码自动下载模型速度很慢
下载的仓库里面默认是不提供任何模型的,因此第一次运行快速推理脚本会自动下载对应的 ocr
模型,但是!如果网络不稳定,其下载速度非常慢,试了 n
次,基本不可能下载成功。
所以一般必须通过 Model hub 页面借助浏览器手动点击下载对应中英文 ocr
识别模型,然后手动把模型文件移动到 ~/.EasyOCR/model
文件夹下。
EasyOCR
仓库主要是通过 download_and_unzip
接口下载对应模型文件的,其也是通过调用 urllib
模块提供的 urlretrieve()
函数来实现文件的下载,其定义如下:
def download_and_unzip(url, filename, model_storage_directory, verbose=True): zip_path = os.path.join(model_storage_directory, 'temp.zip') reporthook = printProgressBar(prefix='Progress:', suffix='Complete', length=50) if verbose else None # url 下载链接,zip_path 文件保存的本地路径, reporthook 利用这个回调函数来显示当前的下载进度 urlretrieve(url, zip_path, reporthook=reporthook) with ZipFile(zip_path, 'r') as zipObj: zipObj.extract(filename, model_storage_directory) # 解压到指定目录 os.remove(zip_path) # 移除下载的压缩包文件
3,车牌场景识别准确率非常低
经过我的大量测试,其在中国车牌场景下识别率几乎为 0
,我猜测是因为作者提供的训练模型所用的训练数据没有车牌场景的,而 ocr
效果又非常依赖场景数据,所以导致汽车车牌识别率几乎为 0
,具体实践效果如下。
二,HyperLPR2.1,HyperLPR 概述
HyperLPR 框架是 github 作者 szad670401 开源的基于深度学习高性能中文车牌识别框架,支持多平台,提供了 Window、Linux、Android、IOS、ROS 平台的支持。 Python 依赖于 Keras (>2.0.0) 和 Theano(>0.9) or Tensorflow(>1.1.x) 机器学习库。项目的 C++ 实现和 Python 实现无任何关联,均为单独实现。
作者提供的测试用例效果如下:
2.3,使用记录
仓库 README 文件描述说 HyperLPR 框架对 python 包支持一键安装: pip install hyperlpr
。但是经过我实际测试发现,pip install hyperlpr
命令只能成功安装 hyperlpr
库.
1,快速上手的 py 代码运行会出错:
2,我把 demo
代码移动到 hyperlpr_py3
目录下运行,不再报上图的错误,但是又报了 opencv
函数版本的问题。
hyperlpr) root@crowd-max:/framework/HyperLPR/hyperlpr_py3# python test.py (1, 3, 150, 400)40 22 335 123Traceback (most recent call last): File "test.py", line 7, in print(HyperLPR_plate_recognition(image)) File "/opt/miniconda3/envs/hyperlpr/lib/python3.8/site-packages/hyperlpr/__init__.py", line 8, in HyperLPR_plate_recognition return PR.plate_recognition(Input_BGR,minSize,charSelectionDeskew) File "/opt/miniconda3/envs/hyperlpr/lib/python3.8/site-packages/hyperlpr/hyperlpr.py", line 311, in plate_recognition cropped_finetuned = self.finetune(cropped) File "/opt/miniconda3/envs/hyperlpr/lib/python3.8/site-packages/hyperlpr/hyperlpr.py", line 263, in finetune g = self.to_refine(image_, pts) File "/opt/miniconda3/envs/hyperlpr/lib/python3.8/site-packages/hyperlpr/hyperlpr.py", line 231, in to_refine mat_ = cv2.estimateRigidTransform(org_pts, target_pts, True)AttributeError: module 'cv2' has no attribute 'estimateRigidTransform'
3,ubuntu16.04+python3.8+cuda11.0
环境下,pip install -r requirements.txt
命令安装依赖包依然会出错。
2.3,使用建议
个人建议直接使用 C++ 版本,截止到 2022-11-8 日为止,纯 Python 版本还是有各种问题。
三,simple-car-plate-recognition-23.1,仓库介绍
simple-car-plate-recognition-2仓库 简称:简易车牌字符识别 2-Inception/CTC
。
作者使用的字符识别模型是参考 HyperLPR 里面的一个叫 SegmenationFree-Inception
的模型结构,并改用 pytorch
框架实现,然后训练模型,最后测试用整张车牌图片进行字符识别。
作者所用的车牌训练集,是利用 generateCarPlate 这个车牌生成工具生成的。
3.2,使用记录
直接用车牌做识别,实际测试下来,不管用作者给的模型,还是自己训练的模型,效果都很差。
3.3,使用建议
虽然代码简单,模型结构容易看懂,但是不建议使用,效果不稳定和太差。
四,车牌检测-License-Plate-Detector4.1,仓库介绍
License-Plate-Detector 仓库 作者利用 Yolov5 模型进行了车牌检测,训练集使用 CCPD
数据集,测试效果如下:
4.2,建议
不建议使用,代码写的不够整洁,使用不够方便,使用 yolov5** 用作车牌检测的模型**的方法还是可以参考下。
五,MMOCR5.1,仓库介绍
mmocr
是商汤 + openmmlab
实验室开发的 OCR 框架。MMOCR
是基于 PyTorch
和 mmdetection
的开源工具箱,专注于文本检测,文本识别以及相应的下游任务,如关键信息提取。 它是 OpenMMLab
项目的一部分。
主分支目前支持 PyTorch 1.6 以上的版本。mmocr 库的安装,可参考我之前的文章-ubuntu16.04安装mmdetection库。
5.2,使用记录
1,官方提供中文字符识别模型只有一个,其使用步骤如下:
- 创建
mmocr/data/chineseocr/labels
目录; - 为了模型推理成功,下载中文字典,并放置到
labels
目录;
wget -c https://download.openmmlab.com/mmocr/textrecog/sar/dict_printed_chinese_english_digits.txtmv dict_printed_chinese_english_digits.txt mmocr/data/chineseocr/labels
- 运行推理脚本。
python mmocr/utils/ocr.py --det DB_r18 --recog SAR_CN demo/car1.jpeg --output='./'
车牌识别效果不好,测试结果如下:
2,官方提供的测试用例的推理效果如下:
5.3,使用建议
官方提供的不管是中文还是英文文本识别模型,在车牌场景下识别效果都不好,不推荐在车牌识别场景下使用,更适合通用场景。
六,推荐 YOLOv5-LPRNet-Licence-Recognition6.1,仓库介绍
YOLOv5-LPRNet-Licence-Recognition 项目是使用 YOLOv5s 和 LPRNet 对中国车牌进行检测和识别,车牌数据集是使用 CCPD。
车牌字符识别的准确率如下:
model | 数据集 | epochs | acc | size |
---|---|---|---|---|
LPRNet | val | 100 | 94.33% | 1.7M |
LPRNet | test | 100 | 94.30% | 1.7M |
总体模型速度:(YOLOv5 + LPRNet
)速度:47.6 FPS
(970 GPU)。
6.2,使用记录
作者提供的模型实际测试下来效果还不错,部分示例如下: