简介本资源是一套基于YOLOv8与CNN融合架构的智能停车场车牌识别系统完整实现方案面向计算机视觉初学者、深度学习实践者及智慧交通系统开发者解决复杂场景下视频/图片中车牌实时定位与高精度字符识别问题适用于停车场自动计费、门禁管理、车辆轨迹追踪等落地场景。压缩包共259个文件含142个Python核心脚本涵盖数据预处理、YOLOv8训练推理、CNN字符分类、视频流解析等模块、47个YAML配置文件模型结构与训练超参、14个sample示例数据、以及jpg/png图像样本、mp4测试视频和pt/pth模型权重整体大小为103.9MB。已有167人下载学习资源提供开箱即用的完整工程结构包含可直接运行的main入口、标准化数据加载流程、多光照/遮挡条件下的鲁棒性处理逻辑以及从车牌检测到字符识别的端到端pipeline代码显著降低复现门槛与调试成本。1. 项目概述与核心价值最近在做一个智能停车场的项目车牌识别是绕不开的核心环节。传统的方案要么依赖专用硬件成本高、部署不灵活要么用一些开源库但面对复杂光照、污损车牌或者视频流实时处理时总是差那么点意思。于是我决定自己动手基于当前比较火的YOLOv8和CNN搭建一个既能处理图片也能处理视频流的车牌识别系统。这个系统的核心思路很清晰就是“两步走”先用YOLOv8这个强大的目标检测器在图像或视频帧中精准地定位出车牌的位置然后把截取出来的车牌区域送入一个专门设计的卷积神经网络CNN模型进行字符分割与识别。YOLOv8负责“找得到”CNN负责“认得准”两者结合既能保证检测速度以适应实时视频流又能通过专门的识别网络提升复杂场景下的准确率。我花了不少时间打磨从数据准备、模型训练、到前后端集成和性能优化踩了不少坑也积累了一些实用的经验。最终完成的这个系统不仅提供了完整的、可运行的代码而且对视频和图片输入都做了适配识别效果和速度在实际停车场环境下表现不错。如果你正在做相关的项目或者对深度学习落地应用感兴趣希望这份详细的实现记录和代码能给你带来实实在在的帮助。2. 系统整体架构与设计思路2.1 为什么选择YOLOv8CNN的混合架构在开始动手之前方案选型是首要问题。纯粹用YOLOv8做端到端的车牌检测与识别行不行理论上可以YOLO系列本身也能做分类。但实测下来对于车牌识别这种需要高精度字符识别的任务单一模型往往力不从心。车牌字符区域小、相似字符多比如‘0’和‘O’‘8’和‘B’对模型细节特征提取能力要求极高。YOLOv8虽然检测能力强但其设计更侧重于通用目标检测的平衡性在精细字符分类上的精度可能不如一个专门为字符识别优化的CNN模型。因此我采用了经典的检测识别的两阶段流水线架构。第一阶段车牌检测使用YOLOv8。它的优势非常明显速度快、精度高、对目标尺寸变化鲁棒性好。无论是近处的大车牌还是远处的小车牌YOLOv8-n纳米级或YOLOv8-s小规模模型都能以极高的帧率完成定位这为后续实时视频处理打下了基础。第二阶段车牌识别使用自定义的CNN。这个CNN模型可以设计得更“专注”输入是裁剪好的车牌区域网络结构可以更深、更精细地捕捉字符的笔画、边缘等局部特征专门针对数字、字母和汉字进行优化。这种解耦的设计带来了几个好处一是灵活性高检测模型和识别模型可以独立训练、优化甚至替换。比如未来如果识别模型需要升级可以直接替换而不影响检测部分。二是精度更有保障每个模块专注于自己的任务能发挥各自的最大优势。三是便于问题排查识别出错时我们可以先检查检测框是否准确再排查识别模型问题定位更清晰。2.2 系统核心工作流程拆解整个系统的工作流程可以看作一条清晰的数据流水线输入预处理系统接收输入源可以是单张图片、一个图片文件夹或者实时视频流支持USB摄像头、RTSP流等。对于视频会按预设帧率进行抽帧处理。车牌检测YOLOv8阶段将每一帧图像送入训练好的YOLOv8检测模型。模型会输出一个或多个边界框Bounding Box每个框包含车牌的位置坐标x, y, w, h和置信度confidence。我们根据置信度阈值如0.5进行过滤并应用非极大值抑制NMS去除重叠框得到最终的车牌区域。车牌区域矫正与裁剪直接裁剪出的车牌区域可能是倾斜的。为了提高识别率这里我加入了一个仿射变换的矫正步骤。通过检测车牌的四个角点可以用YOLOv8的OBB定向框或者用传统图像处理算法如轮廓查找近似多边形将倾斜车牌透视变换为规整的水平矩形。这一步对识别精度提升非常关键尤其是在侧方位停车拍摄角度大的场景下。字符识别CNN阶段将矫正后的车牌图像调整到识别模型规定的尺寸如94x24像素并进行归一化等操作然后送入训练好的CNN识别模型。模型输出是一个序列识别结果对于中国车牌通常是7位字符省份汉字字母数字组合。结果后处理与输出对CNN输出的原始结果进行后处理例如根据字符字典进行映射应用一些简单的规则过滤如省份汉字只能是特定的几十个。最后将识别出的车牌号码、位置框、置信度等信息以JSON格式返回或者在原图像/视频帧上绘制可视化结果框和文字。这个流程在代码中被模块化每个环节都有对应的函数或类结构清晰方便调试和扩展。3. 核心模块实现细节与实操要点3.1 YOLOv8车牌检测模型训练检测模型的精度是整个系统的基石。我使用的是Ultralytics官方发布的YOLOv8。训练自己的车牌检测器关键在于数据集。数据集准备我主要使用了CCPDChinese City Parking Dataset数据集它包含了数十万张在复杂城市停车场环境下拍摄的中国车牌图片标注信息非常齐全有车牌四个顶点的坐标非常适合做检测和矫正。你也可以混合使用其他开源数据集如CRPD或者自己收集数据用LabelImg、Roboflow等工具标注。数据格式要转换为YOLO格式归一化的中心坐标和宽高。注意数据集中应尽可能包含各种场景白天/夜晚、晴天/阴雨、车牌干净/污损、不同角度、部分遮挡等。数据的多样性是模型泛化能力的保证。关键训练配置与参数解析训练代码基于ultralytics库非常简洁。但有几个参数需要仔细调校# data.yaml path: ./datasets/ccpd train: images/train val: images/val nc: 1 # 类别数这里只有‘license_plate’一类 names: [license_plate] # 命令行或训练脚本中的关键参数 model: yolov8n.pt # 从预训练模型开始加速收敛 data: data.yaml epochs: 100 # 根据数据集大小调整通常50-150 imgsz: 640 # 输入图像尺寸越大精度可能越高但速度越慢 batch: 16 # 根据GPU显存调整 workers: 4 # 数据加载线程数 patience: 20 # 早停耐心值验证集指标连续不提升则停止 device: 0 # 使用GPU 0 optimizer: AdamW # 优化器AdamW通常比SGD收敛更快 lr0: 0.01 # 初始学习率可配合warmup实操心得预训练模型至关重要务必使用在COCO等大型数据集上预训练的yolov8n.pt等权重进行微调这比从零训练快得多效果也好得多。图像尺寸imgsz的权衡停车场监控摄像头分辨率可能不高。将imgsz设为640是一个较好的平衡点。如果追求极致速度用于嵌入式设备可以尝试416甚至320但需要评估精度损失。监控训练过程利用TensorBoard或Ultralytics自带的日志工具密切关注训练损失train/loss和验证损失val/loss的下降曲线以及mAP50、mAP50-95等指标。如果验证损失很早就开始上升可能是过拟合需要增加数据增强或减少模型复杂度。数据增强YOLOv8默认启用了Mosaic、MixUp等强增强。对于车牌检测可以适当调整增强参数特别是旋转和透视变换以模拟车牌的各种拍摄角度这对提升模型对倾斜车牌的检测能力很有帮助。3.2 车牌矫正与预处理技巧从YOLO得到的是一个水平矩形框但实际车牌可能是倾斜的。直接裁剪这个矩形区域送入识别网络字符是变形的会严重影响识别率。矫正步骤详解获取角点理想情况是使用带旋转框OBB的检测模型直接输出四角点。如果用的是标准检测框则需要额外步骤。一种方法是在车牌检测框内利用车牌底色蓝、黄、绿、白与背景的对比度使用Canny边缘检测轮廓查找找到车牌区域最大的轮廓然后用cv2.approxPolyDP函数拟合一个四边形。排序角点得到的四个点顺序是随机的。需要将其排序为固定的顺序左上、右上、右下、左下。可以通过计算点的xy和最小为左上x-y和最小为右上等方法实现。计算变换矩阵定义目标矩形的四个角点例如宽度为车牌区域外接矩形的长边高度为短边。使用cv2.getPerspectiveTransform(src_points, dst_points)计算透视变换矩阵。执行矫正使用cv2.warpPerspective(image, transform_matrix, (width, height))将倾斜车牌“拉正”。预处理流水线识别模型输入前矫正后的车牌图像在送入CNN识别模型前还需要一系列标准化操作灰度化大部分车牌识别CNN输入是单通道灰度图减少计算量且颜色信息对字符识别帮助有限。cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)。尺寸归一化将所有车牌图像缩放到固定尺寸如94x24。这个尺寸需要与CNN模型第一层卷积的输入尺寸严格一致。缩放时建议使用cv2.INTER_CUBIC插值质量较好。归一化将像素值从[0, 255]归一化到[0, 1]或[-1, 1]区间有助于模型稳定训练和推理。image image / 255.0。通道调整PyTorch模型通常要求输入张量维度为[batch, channel, height, width]。对于灰度图需要增加一个通道维度image np.expand_dims(image, axis0)。转换为张量torch.from_numpy(image).float()。这一套预处理流程我将其封装成了一个独立的函数preprocess_plate(plate_image)确保检测和识别模块间的接口清晰。3.3 CNN车牌字符识别模型设计识别模型是系统的“大脑”。我设计了一个中等深度的CNN模型其结构在保证精度的同时兼顾了推理速度。网络结构设计思路车牌识别本质上是一个序列分类问题。传统方法是将车牌分割成单个字符再识别但分割本身容易出错。我采用的是端到端的序列识别模型直接输出一个字符序列。这通常通过CNN提取特征后接循环神经网络RNN/LSTM或连接时序分类CTC解码来实现。为了简化并提升速度我使用了一个全卷积网络结构最后通过一个全连接层映射到字符类别。模型结构示意简化版输入: [1, 1, 24, 94] # (batch, channel, height, width) Conv1: 3x3, 32 - ReLU - BatchNorm - MaxPool(2x2) Conv2: 3x3, 64 - ReLU - BatchNorm - MaxPool(2x2) Conv3: 3x3, 128 - ReLU - BatchNorm - MaxPool(2x2) Conv4: 3x3, 256 - ReLU - BatchNorm - MaxPool(2x2) Dropout(0.5) Flatten Dense1: 256 - ReLU Dropout(0.5) Dense2 (输出层): 7 * num_classes - Reshape to [7, num_classes]这里num_classes是字符集大小31个省份汉字 24个字母不含I/O 10个数字 65类。输出被重塑为[序列长度, 类别数]序列长度固定为7中国车牌标准长度。在推理时对每个位置取概率最大的字符类别组合成最终车牌字符串。为什么这样设计卷积层层层堆叠的卷积和池化可以有效地从车牌图像中提取从边缘、角点到复杂字符结构的层次化特征。批量归一化BatchNorm加速训练提供一定的正则化效果使模型对输入尺度不那么敏感。Dropout防止过拟合尤其在最后全连接层之前非常重要。固定序列长度输出对于中国车牌长度是固定的新能源车牌为8位可单独训练模型或调整输出长度。这避免了使用RNN/CTC的复杂性简化了训练和推理过程。前提是检测和矫正模块要保证输入车牌是完整的。识别模型训练要点数据集需要大量裁剪好并标注了车牌号码的车牌图片。CCPD数据集也包含车牌号码标签。数据要清洗确保图片与标签一一对应且车牌区域基本矫正。标签处理将车牌字符串“京A12345”转换为一个7行的矩阵每行是一个65维的one-hot向量对应该位置字符。损失函数由于我们将问题视为7个独立的多分类任务损失函数可以是对7个位置交叉熵损失求和。loss criterion(output[0], label[0]) ... criterion(output[6], label[6])。评估指标不能只看字符准确率更要看车牌完全匹配准确率。即7个字符全部识别正确才算对。这是衡量系统实用性的关键指标。4. 工程实现与代码结构解析4.1 项目代码组织结构为了让项目清晰、易用、易扩展我采用了模块化的代码结构。核心目录和文件如下smart_plate_recognition/ ├── config/ │ ├── config.yaml # 全局配置文件模型路径、参数等 │ └── char_dict.txt # 字符到索引的映射字典 ├── models/ │ ├── yolov8_plate_det.pt # 训练好的YOLOv8检测模型 │ ├── cnn_plate_rec.pt # 训练好的CNN识别模型 │ └── network.py # CNN模型定义 ├── utils/ │ ├── detection.py # YOLOv8检测相关函数加载、推理、画框 │ ├── recognition.py # CNN识别相关函数预处理、推理、后处理 │ ├── correction.py # 车牌矫正函数 │ ├── visualization.py # 结果可视化函数 │ └── video_processor.py # 视频流处理类 ├── datasets/ # 存放训练数据按需创建 ├── train_detector.py # YOLOv8检测模型训练脚本 ├── train_recognizer.py # CNN识别模型训练脚本 ├── inference_image.py # 单张/批量图片推理脚本 ├── inference_video.py # 视频文件/摄像头实时推理脚本 └── requirements.txt # Python依赖包列表这种结构将不同功能解耦utils下的每个模块职责单一。例如要优化矫正算法只需修改correction.py要更换识别模型只需修改network.py和对应的权重加载逻辑。4.2 核心推理流程代码剖析以inference_image.py的核心函数为例展示整个流水线如何串联import cv2 import torch from utils.detection import YOLOv8Detector from utils.correction import four_point_transform from utils.recognition import CNNRecognizer, preprocess_plate from utils.visualization import draw_results class PlateRecognitionSystem: def __init__(self, det_model_path, rec_model_path, char_dict_path): # 初始化检测器和识别器 self.detector YOLOv8Detector(det_model_path, conf_thres0.5, iou_thres0.45) self.recognizer CNNRecognizer(rec_model_path, char_dict_path) self.char_dict self.load_char_dict(char_dict_path) def recognize(self, image_path): # 1. 读取图像 img_orig cv2.imread(image_path) if img_orig is None: raise ValueError(f无法读取图像: {image_path}) # 2. 车牌检测 det_results self.detector.detect(img_orig) plates_info [] # 存储每个车牌的信息 for det in det_results: # det: [x1, y1, x2, y2, conf, cls] x1, y1, x2, y2 map(int, det[:4]) conf det[4] # 3. 裁剪车牌区域 plate_roi img_orig[y1:y2, x1:x2] # 4. 车牌矫正可选但强烈推荐 # 这里假设我们通过其他方法获得了四个角点 plate_corners # plate_corners self.find_plate_corners(plate_roi) # plate_corrected four_point_transform(plate_roi, plate_corners) # 简化版直接使用矩形区域对于非严重倾斜场景可用 plate_corrected plate_roi # 5. 车牌识别预处理 plate_processed preprocess_plate(plate_corrected) # 6. 字符识别 plate_number, rec_conf self.recognizer.recognize(plate_processed) # 7. 保存结果 plates_info.append({ bbox: [x1, y1, x2, y2], plate_number: plate_number, detection_confidence: conf, recognition_confidence: rec_conf }) # 8. 可视化 img_vis draw_results(img_orig.copy(), plates_info) return img_vis, plates_info这段代码清晰地展示了从输入到输出的每一步。YOLOv8Detector和CNNRecognizer是对底层模型调用的封装处理了模型加载、张量转换、设备CPU/GPU选择等细节。4.3 视频流实时处理优化处理视频流如RTSP监控流时性能至关重要。核心思路是异步处理和智能抽帧避免阻塞主线程导致卡顿。视频处理类VideoProcessor的关键优化点队列与多线程/进程使用一个生产者-消费者模型。主线程生产者负责从视频流中读取帧并放入一个队列。另一个工作线程或进程消费者从队列中取帧进行车牌检测和识别然后将结果放入另一个结果队列。主线程同时负责从结果队列取结果并显示。这样耗时的模型推理不会阻塞帧的读取和显示。抽帧策略对于30FPS的视频流我们不需要处理每一帧。可以每N帧例如N3或5处理一帧这能大幅降低计算负载。更高级的策略是结合运动检测只在画面中有车辆移动的区域发生变化时才进行识别。推理批处理Batch Inference对于检测模型YOLOv8它本身支持批量输入。我们可以积累几帧图像一次性送入模型进行检测这比逐帧推理更高效地利用了GPU的并行计算能力。模型轻量化与加速如果部署在资源受限的边缘设备上可以考虑使用更小的YOLOv8模型如nano版本。对CNN识别模型进行量化Quantization将FP32精度转换为INT8在几乎不损失精度的情况下显著提升速度、降低内存占用。使用TensorRT或ONNX Runtime等推理引擎对模型进行优化和加速。在inference_video.py中我实现了一个基本的异步处理框架。对于高并发或低延迟要求的工业场景可能需要引入更复杂的任务调度和资源管理机制。5. 环境配置、部署与性能调优5.1 从零开始的环境搭建指南项目基于Python和PyTorch。以下是创建隔离环境并安装依赖的步骤创建并激活虚拟环境强烈推荐避免包冲突conda create -n plate_rec python3.8 conda activate plate_rec或者使用venvpython -m venv plate_rec_env source plate_rec_env/bin/activate # Linux/Mac plate_rec_env\Scripts\activate # Windows安装PyTorch根据你的CUDA版本去 PyTorch官网 获取安装命令。例如对于CUDA 11.8pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118安装Ultralytics YOLOv8pip install ultralytics安装其他依赖pip install opencv-python numpy pandas matplotlib scikit-learn tqdm将以上依赖写入requirements.txt方便他人一键安装pip install -r requirements.txt。关于PyTorch版本的说明项目代码兼容PyTorch 1.x和2.x。PyTorch 2.0引入了torch.compile等新特性可以加速模型但需要硬件和驱动支持。如果你的环境是PyTorch 2.13它完全支持YOLOv8。5.2 模型部署与性能实测训练好的模型需要部署到实际环境中运行。我分别在本地PCGTX 1660 Ti和云端服务器Tesla T4上进行了测试。本地PCGTX 1660 Ti性能YOLOv8-nano检测模型在640x640输入下单张图片推理时间约8-12毫秒。CNN识别模型单张车牌图片94x24推理时间约2-3毫秒。端到端流水线包含图像读取、检测、矫正、识别、画图处理一张1080p图片平均耗时约50-80毫秒即12-20 FPS。这个速度对于离线图片批处理或低帧率视频流已经足够。如果开启异步处理和抽帧处理视频流可以更流畅。性能优化技巧GPU vs CPU务必确保PyTorch和CUDA安装正确并且模型被加载到GPU上model.to(‘cuda’)。在CPU上运行速度会慢一个数量级。半精度FP16推理YOLOv8和PyTorch都支持FP16推理。在支持Tensor Core的GPU上如1660 Ti及以上这可以带来近一倍的推理速度提升而精度损失微乎其微。在推理时设置halfTrue即可。OpenCV的DNN模块可以考虑将PyTorch模型转换为ONNX格式然后用OpenCV的dnn模块加载。OpenCV的DNN在某些CPU上优化得更好但可能失去GPU加速和FP16支持需要根据部署平台权衡。图片尺寸检测模型的输入尺寸imgsz是速度的关键。在满足精度的前提下尝试更小的尺寸如480可以显著提速。5.3 面向嵌入式设备的部署考量如果要将此系统部署到树莓派、Jetson Nano或RK3588等嵌入式设备上挑战在于算力和内存有限。部署路径建议模型轻量化检测模型必须使用YOLOv8-nano甚至更小的自定义剪枝模型。识别CNN模型可以进一步缩减通道数、减少层数。使用模型蒸馏技术让小模型学习大模型的知识。模型转换与优化将PyTorch模型导出为ONNX格式这是一个通用的中间表示。使用TensorRTNVIDIA设备或RKNN-Toolkit瑞芯微RK3588等针对特定硬件的推理引擎对ONNX模型进行图优化、层融合、量化INT8生成高度优化的推理引擎。这是嵌入式部署性能提升的关键。工程优化使用C重写核心推理代码相比Python有巨大性能优势。利用硬件加速库如NVIDIA的nvJPEG用于图像解码TensorRT用于推理。精心设计流水线确保图像采集、预处理、推理、后处理各环节无缝衔接避免内存拷贝瓶颈。对于RK3588其NPU算力强大但需要专用的RKNN模型格式。流程通常是PyTorch - ONNX - RKNN通过RKNN-Toolkit转换和量化。这个过程需要仔细调整量化参数以在精度和速度间取得平衡。6. 常见问题排查与实战经验分享在实际开发和调试过程中会遇到各种各样的问题。这里我总结了一份“避坑指南”。6.1 检测阶段常见问题问题1YOLOv8检测不到车牌或者漏检率高。可能原因与排查数据集问题训练数据中缺少某些场景如夜间、远距离、极端角度。检查验证集上漏检的图片看它们属于什么类型然后针对性补充数据。置信度阈值过高推理时设置的conf_thres太高如0.7过滤掉了许多置信度较低但正确的检测框。尝试逐步调低至0.3或0.25观察。NMS参数过严iou_thres设置过低如0.2可能导致一个车牌被多个框检测到而NMS过于激进地删除了正确的框。适当调高如0.45。模型欠拟合训练epoch数不够或学习率设置不当。检查训练曲线看损失是否已收敛。解决方案扩充和平衡数据集在验证集上微调conf_thres和iou_thres确保模型充分训练。问题2检测框定位不准框住了车牌的一部分或超出车牌范围。可能原因数据标注不准确模型容量不足对于小目标可以尝试使用更小的下采样倍数或添加针对小目标的检测头。解决方案复查和修正训练数据的标注尝试使用YOLOv8的P5模型640尺度或更深的模型如YOLOv8-m在数据增强中增加随机裁剪和缩放提升模型对位置变化的鲁棒性。6.2 识别阶段常见问题问题1字符识别错误特别是相似字符0/O, 8/B, 5/S, 2/Z。可能原因预处理不佳矫正失败字符扭曲二值化阈值不当导致字符断裂或粘连。数据集不均衡某些字符如‘警’、‘领’、‘学’的样本远少于其他字符。模型容量或训练不足网络太浅无法学习细微差别训练轮次不够。解决方案加强矫正算法确保输入CNN的图像是水平的。在预处理中尝试不同的二值化方法如自适应阈值。对样本少的字符进行过采样数据增强或在损失函数中引入类别权重。增加CNN模型的深度或宽度或引入注意力机制如SE Block, CBAM让模型更关注字符区域。问题2识别出的车牌号码长度不对或包含非法字符。可能原因检测框截取不完整只截到部分车牌后处理规则不完善。解决方案检查检测框确保其完全包含车牌。可以适当扩大检测框的尺寸如按比例外扩5%。在后处理中加入强规则过滤例如第一位必须是省份汉字从预设字典检查第二位必须是字母后续位必须是字母或数字。一旦识别结果违反规则可以降低该结果的置信度或直接丢弃。6.3 系统集成与运行时问题问题1视频处理延迟高卡顿严重。可能原因逐帧同步处理没有使用GPU图像分辨率过高。解决方案实现异步处理流水线见4.3节确认模型在GPU上运行将视频流解码后的帧缩放到一个合理的尺寸如720p再进行检测。问题2内存占用不断增长最终程序崩溃内存泄漏。可能原因在循环中不断创建新的模型实例或大的张量而没有释放OpenCV或PyTorch的缓存未清理。解决方案确保模型只加载一次使用torch.cuda.empty_cache()定期清理GPU缓存对于处理大量图片使用生成器或分批处理及时释放不再需要的变量。问题3在嵌入式设备上运行速度极慢。可能原因模型未量化仍在FP32精度运行没有使用硬件专用推理引擎CPU频率或散热受限。解决方案必须进行INT8量化转换模型到TensorRT或RKNN格式考虑使用更低分辨率的输入检查设备散热避免因过热降频。最后调试这类视觉系统可视化中间结果是最有效的手段。我养成了在每个关键步骤原始检测框、矫正后车牌、二值化图像、识别结果都保存或显示图片的习惯。当识别出错时顺着这条可视化流水线一步步看下去问题根源往往一目了然。这套基于YOLOv8CNN的智能车牌识别系统从构思到实现是一个不断迭代和优化的过程。希望我分享的这些细节、代码和踩坑经验能帮你更快地搭建起属于自己的高效、准确的车牌识别应用。本文还有配套的精品资源点击获取