CV / LPRNet

LPRNet

reComputer R Series (CM5 + Hailo-8)

在 reComputer RK3576、RK3588 和搭载 Hailo-8 或 Hailo-10H 的 CM5 上进行车牌识别。

168 次下载

精度

RKNN / Hailo HEF

选择你正在使用的设备，设置指南和文档将相应更新。

平台

推理引擎

快速开始

部署

sudo docker run --rm \
  --name cm5-hailo8-lprnet \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  --device /dev/hailo0:/dev/hailo0 \
  -v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
  -v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
  ghcr.io/seeed-projects/recomputer-hailo8-cv/lprnet:latest \
  python web_detection.py --model_path model/lprnet.hef --detector_model_path model/tiny_yolov4_license_plates.hef --video_path video/test.mp4

REST API

使用 REST API 进行推理。复制以下命令。

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())

模型详情

reComputer R Series (CM5 + Hailo-8)

在 CM5 + Hailo-8 上运行 LPRNet 流水线

模型信息

此应用运行两个官方 Hailo-8 HEF：

tiny_yolov4_license_plates 从 416×416 的交通画面中检测车牌框。
lprnet 将原始分辨率的车牌裁剪图缩放为 300×75 BGR 图像，并输出 5×19×11 logits。

OCR 后处理遵循 Hailo TAPPAS 的实现：对五个输出切片取平均值，应用 softmax，执行 CTC 贪心解码，剔除重复字符和空白类别；随后要求字符平均置信度不低于 0.90，且至少解码出七位数字。OCR 前还会通过拉普拉斯方差检测过滤模糊的车牌裁剪图。

官方字符集为 0123456789-。该 HEF 无法识别字母或中国省份简称，因此不支持完整的中国蓝牌字符串。

Model Zoo v2.17 配置在 Hailo 内部数据集上的准确率为 99.86%。这是上游源码中的元数据，不是 CM5 本地基准测试结果。

运行

bash

sudo docker run --rm \
  --name cm5-hailo8-lprnet \
  --privileged \
  --net=host \
  -e PYTHONUNBUFFERED=1 \
  --device /dev/hailo0:/dev/hailo0 \
  -v /usr/lib/libhailort.so.4.23.0:/usr/lib/libhailort.so.4.23.0:ro \
  -v /usr/lib/libhailort.so:/usr/lib/libhailort.so:ro \
  ghcr.io/seeed-projects/recomputer-hailo8-cv/lprnet:latest \
  python web_detection.py \
    --model_path model/lprnet.hef \
    --detector_model_path model/tiny_yolov4_license_plates.hef \
    --video_path video/test.mp4

打开 http://<Board_IP>:8000。

REST API

bash

curl -X POST "http://<Board_IP>:8000/api/models/lprnet/predict" \
  -F "file=@traffic.jpg"

每次预测会返回检测框及置信度、裁剪图质量、OCR 候选结果及置信度，以及已接受的 plate 值或 null。

来源与验证

OCR HEF：Hailo Model Zoo v2.16，Hailo-8 目标。
检测器 HEF：Hailo Model Zoo v2.17，Hailo-8 目标。
OCR 算法和演示视频：Hailo TAPPAS v3.29。

输入与输出

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