前期回顾：
在上一期介绍了事情的起因，为什么要做yolo车牌识别，以及最终的网络结构。（链接在这里：(141条消息) 我用AI回怼美女汽车销售系列[yolo车牌识别](一)_cjnewstar111的专栏-CSDN博客
https://blog.csdn.net/cjnewstar111/article/details/123160063）但是为了验证和编码的方便，我们基于下图的网络结构开发。即将yolo检测网络和识别网络分开，验证通过了，再将识别功能集成到yolo上面，这样可以大大降低风险。回顾一下流程，首先图片经过检测网络YoloX，识别出蓝牌或者绿牌。然后根据矩形框坐标从原图中剪裁出牌照图片，将裁剪出的蓝牌图片送入到蓝牌分类网络进行牌照的识别；绿牌则送入到绿牌分类网络进行识别。本期将要根据开源数据集CCPD，对三个网络（YoloX车牌检测网络），蓝牌识别网络和绿牌识别网络进行训练。
检测网络训练
检测网络使用普通的目标检测网络即可，这里我选择YoloX。这是一个AnchorFree的Yolo系列，速度和精度都还不错。由于YoloX目标检测需要使用coco格式的数据集。因此需要将CCPD的格式进行转换。在上一期已经介绍过CCPD通过文件名来标注车牌信息。我们可以编写一个python脚本，将CCPD转换成COCO格式。
转换好之后，就可以使用YoloX进行训练。可以直接使用YoloX官方的代码进行训练，也可以使用我之前开源的YoloX EasyTrain进行训练。我这里使用YoloX EasyTrain进行训练，因为只需要点点鼠标，并且所有配置信息可以在界面中编辑，而且训练过程中还有实时的曲线信息，非常的方便。在YoloX EasyTrain中新建一个工程：CCPD，然后选择基于YoloX Nano（小模型训练快），然后配置一下CCPD的路径（注意是转换成coco格式的CCPD），点击训练。出去喝一杯咖啡，再回来看看效果吧。
训练了5个epoch之后，map0.5以及map0.75已经达到了0.99，精度是非常的高，那就直接停止训练，使用第5个epoch的结果来测试一下推理，看看从百度上随意下载的图片，能否准确的检测出车牌。效果非常理想！！！
蓝牌网络训练
首先对CCPD数据集进行一个转换。由于蓝牌网络输入的是车牌图片，而不是整张图片。因此需要对CCPD进行裁剪，裁剪出车牌图片，然后进行保存。可以写一个python脚本，进行自动的裁剪。裁剪后的图片与原始图片对比：
有了图片就可以训练了，我这里使用shufflenetv2进行车牌的分类和识别。大家对分类任务应该非常熟悉，需要输入多少个类别，就让shufflenetv2最终输出多少维度的向量。由于蓝牌识别需要对7个位置进行分类，且每个位置有非常多的可能。例如省份有31中可能，而普通的字符位置有34种可能，那么我们就定义蓝牌网络最终的输入是7*34维的向量。对于第一位的省份来说，34位是冗余的，因为省份只有31位，不过这没有关系，最后几位不用关注即可。训练过程也非常简单，使用常见的sgd优化器，训练60epoch，step学习率下降。最后top1测试精度达到了95%。非常nice！
绿牌网络训练
最后训练绿牌网络，和蓝牌网络几乎一样。不同的是需要使用CCPD中的新能源车的图片进行裁剪和训练。然后网络的输出是8*34维度，而不是蓝牌的7*34维度。因为绿牌比蓝牌多了一位。
ONNX转换
由于训练好的模型是pytorch的，不利于部署，因此我们将yolox模型和分类模型直接通过pytorch的接口导出为onnx模型，然后利用onnxruntime进行推理。使用如下代码进行导出：
torch.onnx._export(model,
dummy_input,
"yolox.onnx",
verbose=True,
opset_version=11,
input_names=['input'], output_names=['output'])
对于yolox来说，直接导出会报如下错误：
Exporting the operator silu to ONNX opset version 11 is not supported
意思是onnx不支持yolox中的silu激活函数。最简单的方式是修改一下pytorch的源代码，将silu的实现修改为如下图所示，然后在调用上面的接口可以顺利导出。
DEMO开发
有了上面训练完的三个onnx网络之后，为了测试的方便，我们用PyQt编写一个简单的demo。支持从图片，视频，以及摄像头获取图片，然后将图片输入给检测网络进行车牌检测，根据检测出的车牌矩形框，从原始图片中裁剪出车牌图片。然后根据车牌的类型（蓝牌还是绿牌）再送入到对应的网络中进行分类识别。如下图所示：
正当我觉得效果流逼，可以马上上路检测的时候，却发现在视频中同一个车牌被检测出来不同的车牌号。导致一辆车会被识别成很多辆车。按照之前的逻辑，就会被识别出不同的车辆。这对于统计道路上的新能源车占比来说，是无法容忍的。因此需要解决该问题。
冷静分析，通过上面的测试视频来看，车牌的检测倒是非常准确（红框基本没有问题），但是车牌识别的不够准确。那么如何解决该问题，从而实现准确的车牌检测呢？留在下期去解决吧。（说实话：我自己还没有想好！）
总结
感谢各位观众老爷又看到了最后。这期主要是数据集的准备和网络的调通。原以为可以马上上路测试了，却遇到了在视频中识别不准的问题，严重影响实验的精度。用这种精度统计出来的新能源车占比，我自己都不信，更不要说让销售相信了。下一期还是先解决识别精度的问题，尽情期待哦！