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 téléchargements

Précision

RKNN / Hailo HEF

Choisissez l'appareil que vous utilisez. Le guide de configuration et la documentation seront mis à jour en conséquence.

Plateforme

Moteur d'inférence

Pour commencer

Déployer

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

API REST

Utilisez l'API REST pour exécuter l'inférence. Copiez les commandes ci-dessous.

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())

Détails du modèle

LPRNet sur reComputer RK3576 et RK3588

Ce service repose sur le module LPRNet de reComputer-RK-CV. Il reconnaît les plaques chinoises colorées avec LPRNet et peut diriger les plaques claires ou internationales vers le module PP-OCR fourni.

Informations sur le modèle

Composant	Fichier
Module de reconnaissance des plaques chinoises	`model/lprnet.rknn`
Solution de repli pour plaques internationales/claires	`model/ppocr_rec.rknn`
Dictionnaire PP-OCR	`model/ppocr_keys_v1.txt`
Sortie	Texte de plaque, module utilisé, scores, boîte et informations de rejet

L’interface Web fournit un outil de sélection à quatre points. Le quadrilatère sélectionné est rectifié en perspective avant la reconnaissance.

Exécuter le service

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

Ouvrez http://<BOARD_IP>:8000 ou /docs. Les identifiants de caméra correspondent à /dev/videoN. Le mode vidéo locale accepte --video ou --video_path et remplace la caméra.

Arguments de démarrage

Argument	Valeur par défaut	Description
`--platform`	Obligatoire	`rk3576` ou `rk3588`.
`--model_dir`	`model`	Les deux modules de reconnaissance, le dictionnaire et l’image de préchauffage.
`--camera_id`	`-1`	Indice de caméra ; `-1` active uniquement les téléversements.
`--video`, `--video_path`	Aucun	MP4 local en boucle ; remplace la caméra.
`--host` / `--port`	`0.0.0.0` / `8000`	Adresse et port du service.

Le sélecteur Web à quatre points permet de déplacer chaque coin séparément. Le quadrilatère sélectionné est corrigé en perspective et reconnu comme une seule plaque.

REST API

Endpoint : 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"

Les champs importants sont manual_quad, manual_box, plate_layout, min_score, max_plates et min_text_length. plate_layout=auto choisit LPRNet pour les plaques chinoises colorées et PP-OCR pour les plaques claires/internationales.

manual_quad est un tableau JSON de quatre points dans l’image source. manual_box vaut [x1,y1,x2,y2] et contourne la localisation automatique. whole_image=true indique une plaque déjà recadrée. min_score est utile pour le filtrage relatif, mais ne constitue pas une probabilité calibrée.

Exemple de réponse :

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 gère min_score, max_plates, min_text_length et plate_layout. Les autres endpoints incluent GET /api/results/latest, MJPEG, le téléversement MP4, l’analyse, la progression, la liste et le téléchargement.

Portée et limites

Aucun des deux modules fournis n’est un détecteur de plaques de bout en bout. Les images de scènes téléversées doivent utiliser l’outil à quatre points ou manual_quad. Les images vidéo locales sont considérées comme des plaques déjà recadrées, tandis que les boîtes des scènes caméra reposent sur de légères heuristiques OpenCV. En production, ajoutez un détecteur de plaques dédié. Le service privilégie les candidats lumineux devant les feux de circulation et les feux arrière, mais ces heuristiques ne remplacent pas un détecteur entraîné.

Compiler localement

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

Entrées et sorties

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