yolo11x-car-plate-detection
детекторы машин и автомобильных номеров на базе YOLO
2 мин чтенияобновлено
В репозитории выложены два дообученных чекпоинта для задачи object-detection (поиск и локализация объектов на изображении): один находит номерные знаки, другой — сами автомобили. Детектор номеров yolo11x_plate-detect.pt (эксперимент Plate v7) основан на предобученной модели morsetechlab/yolov11-license-plate-detection и дообучен на объединённых датасетах из Roboflow, а детектор машин yolo26x_car-detect.pt (Vehicle v1) построен на базе Ultralytics YOLO26x и обучался на дорожных снимках AIHub. По сравнению с исходным детектором номеров дообученная версия лучше справляется со сложными условиями за счёт искусственного ухудшения качества картинок при обучении. Модели пригодятся разработчикам систем видеонаблюдения, парковочных комплексов и пайплайнов анонимизации дорожных видео.
Ключевые особенности
- Два специализированных чекпоинта в одном пакете:
yolo11x_plate-detect.ptдля номерных знаков иyolo26x_car-detect.ptдля транспортных средств. - Устойчивость к плохому качеству кадров: Plate v7 обучали с аугментациями размытия, шума, сжатия, изменения освещения и циклов уменьшения/увеличения разрешения.
- Высокая полнота (Recall) у детектора машин: модель Vehicle v1 специально настраивали так, чтобы пропускать минимум автомобилей в кадре.
- Готовность к запуску через стандартную библиотеку
ultralyticsбез написания собственной архитектуры.
Что можно сделать
- Автоматически размывать или скрывать автомобильные номера на фотографиях и записях с видеорегистраторов перед публикацией.
- Собирать пайплайны распознавания номеров (ANPR/LPR): сначала находить машину через
yolo26x_car-detect.pt, затем вырезать область номера черезyolo11x_plate-detect.ptи передавать её в OCR-модель. - Подсчитывать трафик и контролировать въезд транспорта на парковках или закрытых территориях с помощью скриптов на Python и
ultralytics.
Пример
from ultralytics import YOLO
model = YOLO("models/yolo11x_plate-detect.pt")
results = model.predict("your_vehicle_image.jpg", imgsz=1008, conf=0.1)
for result in results:
print(result.boxes.xyxy, result.boxes.conf)
Подробнее
Метрики (IoU >= 0.5): у Plate v7 на 13 053 снимках Roboflow Precision — 0.9725, Recall — 0.9900, F1 — 0.9812 (против 0.9114 / 0.9531 / 0.9318 у базовой модели).У Vehicle v1 на 736 761 кадре AIHub dataset 195 Precision — 0.4444, Recall — 0.9731, F1 — 0.6101.
Параметры обучения Plate v7: до 120 эпох, размер изображения 1024, batch size 16, оптимизатор AdamW с learning rate 0.0001.
Ограничения: автор предупреждает о возможном пересечении обучающих и тестовых данных в исходном чекпоинте morsetechlab и отсутствии единой лицензии на весь репозиторий (исходные компоненты используют AGPL-3.0 и CC BY 4.0).










Комментарии