CV / LPRNet

LPRNet

RKNN recognizes cropped Chinese plates with a PP-OCR fallback, while the Hailo pipeline combines Tiny-YOLOv4 plate detection with LPRNet numeric OCR.

15 Downloads

Präzision

RKNN / Hailo HEF

Wähle das Gerät, das du verwendest. Die Einrichtungsanleitung und Dokumentation werden entsprechend aktualisiert.

Plattform

Inferenz-Engine

Erste Schritte

Bereitstellen

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-lprnet:latest \
  python web_service.py --platform rk3576 --model_dir /app/model --camera_id -1 --host 0.0.0.0 --port 8000

REST API

Verwende die REST API für die Inferenz. Kopiere die folgenden Befehle.

Curl

curl http://localhost:8080/v1/chat/completions -d '{
  "model": "lprnet-rknn",
  "messages": [{"role": "user", "content": "Hello"}]
}'

Python

import requests

resp = requests.post(
    "http://localhost:8080/v1/chat/completions",
    json={"model": "lprnet-rknn", "messages": [{"role": "user", "content": "Hello"}]},
)
print(resp.json())

Modelldetails

LPRNet auf reComputer RK3576 und RK3588

Dieser Dienst basiert auf dem LPRNet-Modul aus reComputer-RK-CV. Er erkennt farbige chinesische Kennzeichen mit LPRNet und kann helle oder internationale Kennzeichen an den enthaltenen PP-OCR-Erkenner weiterleiten.

Modellinformationen

Komponente	Datei
Erkenner für chinesische Kennzeichen	`model/lprnet.rknn`
Alternative für internationale/helle Kennzeichen	`model/ppocr_rec.rknn`
PP-OCR-Wörterbuch	`model/ppocr_keys_v1.txt`
Ausgabe	Kennzeichentext, Erkenner, Bewertungen, Box und Ablehnungsinformationen

Die Weboberfläche bietet ein Vierpunkt-Auswahlwerkzeug. Das gewählte Viereck wird vor der Erkennung perspektivisch entzerrt.

Dienst starten

RK3576

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3576-lprnet:latest \
  python web_service.py --platform rk3576 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

RK3588

bash

sudo docker run --rm --privileged --net=host \
  -e PYTHONUNBUFFERED=1 -e RKNN_LOG_LEVEL=0 \
  --device /dev/dri/renderD129:/dev/dri/renderD129 \
  -v /proc/device-tree/compatible:/proc/device-tree/compatible:ro \
  ghcr.io/seeed-projects/recomputer-rk-cv/rk3588-lprnet:latest \
  python web_service.py --platform rk3588 --model_dir /app/model \
  --camera_id -1 --host 0.0.0.0 --port 8000

Öffnen Sie http://<BOARD_IP>:8000 oder /docs. Kamera-IDs entsprechen /dev/videoN. Der lokale Videomodus akzeptiert --video oder --video_path und hat Vorrang vor der Kamera.

Startargumente

Argument	Standard	Beschreibung
`--platform`	Erforderlich	`rk3576` oder `rk3588`.
`--model_dir`	`model`	Beide Erkenner, Wörterbuch und Aufwärmbild.
`--camera_id`	`-1`	Kameraindex; `-1` aktiviert nur Uploads.
`--video`, `--video_path`	Kein Wert	Lokale MP4-Schleife; überschreibt die Kamera.
`--host` / `--port`	`0.0.0.0` / `8000`	Dienstadresse und Port.

Beim Vierpunkt-Wähler lassen sich alle Ecken unabhängig verschieben. Das Viereck wird perspektivisch korrigiert und als ein Kennzeichen erkannt.

REST API

Endpunkt: POST /api/models/lprnet/predict

bash

curl -X POST "http://<BOARD_IP>:8000/api/models/lprnet/predict" \
  -F "file=@plate.jpg" -F "whole_image=true" \
  -F "plate_layout=auto"

Wichtige Felder sind manual_quad, manual_box, plate_layout, min_score, max_plates und min_text_length. plate_layout=auto wählt LPRNet für farbige chinesische und PP-OCR für helle/internationale Kennzeichen.

manual_quad ist ein JSON-Array aus vier Punkten im Quellbild. manual_box ist [x1,y1,x2,y2] und umgeht die automatische Lokalisierung. whole_image=true kennzeichnet ein bereits zugeschnittenes Kennzeichen. min_score ist für relative Filterung geeignet, aber keine kalibrierte Wahrscheinlichkeit.

Beispielantwort:

json

{
  "success": true,
  "model": "lprnet",
  "result": {
    "plates": [
      {
        "text": "京A12345",
        "recognition_score": 0.91,
        "candidate_score": 1.0,
        "recognizer": "lprnet",
        "box": [0, 0, 94, 24]
      }
    ],
    "count": 1,
    "source_mode": "plate_crop"
  }
}

GET/POST /api/config verwaltet min_score, max_plates, min_text_length und plate_layout. Weitere Endpunkte sind GET /api/results/latest, MJPEG, MP4-Upload, Analyse, Fortschritt, Liste und Download.

Umfang und Einschränkungen

Keiner der enthaltenen Erkenner ist ein vollständiger Kennzeichendetektor. Verwenden Sie für Szenenbilder das Vierpunkt-Werkzeug oder manual_quad. Lokale Videoframes gelten als bereits zugeschnittene Kennzeichen; Kameraboxen beruhen auf einfachen OpenCV-Heuristiken. Produktionssysteme sollten einen dedizierten Kennzeichendetektor ergänzen. Der Dienst priorisiert helle Kennzeichenkandidaten vor Ampeln und Rücklichtern, doch diese Heuristiken ersetzen keinen trainierten Detektor.

Lokal bauen

bash

docker build -f docker/rk3576/lprnet.dockerfile \
  -t rk3576-lprnet:local src/rk3576_lprnet

docker build -f docker/rk3588/lprnet.dockerfile \
  -t rk3588-lprnet:local src/rk3588_lprnet

Eingaben und Ausgaben

RKNN: cropped plate or selected region to recognized text. Hailo: traffic frame to detected plate box and CTC-decoded numeric plate text.