当前位置：首页 > wzjs >正文

wordpress防止cc攻击宁波seo公司排名

wzjs 2025/8/3 8:22:30

wordpress防止cc攻击,宁波seo公司排名,开发公司停工监管部门是谁,旅游公网站如何做概述 FastAPI FastAPI是一个现代的高性能 Web 框架，用于使用 Python 构建 API。它可以让开发者轻松快速高效地构建 API，同时提供 API 的自动验证、序列化和文档记录等功能，是构建 Web 服务和微服务的热门选择。 YOLO YOLO(YOLO（You Only Look Once）是一种流行的物体检…

概述

FastAPI

FastAPI是一个现代的高性能 Web 框架，用于使用 Python 构建 API。它可以让开发者轻松快速高效地构建 API，同时提供 API 的自动验证、序列化和文档记录等功能，是构建 Web 服务和微服务的热门选择。

YOLO

YOLO(YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的约瑟夫-雷德蒙（Joseph Redmon）和阿里-法哈迪（Ali Farhadi）开发。YOLO 于 2015 年推出，因其高速度和高精确度而广受欢迎。多年来，从传统的计算机视觉技术到先进的深度学习模型，物体检测技术都有了长足的发展。YOLO 模型系列一直走在这一发展的前沿，不断突破实时物体检测的极限。YOLO 的独特方法将物体检测视为一个单一的回归问题，在单次评估中直接从完整图像中预测边界框和类概率。这种革命性的方法使YOLO 模型在保持高精度的同时，速度明显快于两阶段检测方法。YOLO11融入了计算机视觉研究的最新进展，为实际应用提供了更好的速度-精度权衡。

使用YOLO11实现车牌检测

得益于YOLO模型的速度-精度权衡，即使是使用nano模型，也能在很短时间内训练出可用于一般场景使用的车牌检测模型。

这里我们从CCPD2019数据集选取10000副图片子集和CCPD2020全部图片作为数据集，根据其标注方法生成训练YOLO模型所需要的数据格式。具体数据集制作方法不在此展开。

检测训练

import datetime
from ultralytics import YOLOdef yolo11_detect_train():model = YOLO('yolo11n.yaml').load('yolo11n.pt')model.info()data='data.yaml'     project= 'runs_normal'start_time = datetime.datetime.now()print(f"开始训练 {start_time.strftime('%Y-%m-%d %H:%M:%S')}")#CCPD图片imgsz=640， 设置batch 64(占用9GB 显存)model.train(data=data, epochs=100, imgsz=640, batch=64, workers=8, project=project,fliplr = 0.0,)end_time = datetime.datetime.now()print(f"训练结束 {end_time.strftime('%Y-%m-%d %H:%M:%S')}")if __name__ == '__main__':yolo11_detect_train()

车牌识别

常用的车牌识别神经网络有多种，包括CRNN、Intel LPRNet、飞桨PaddleOCR等等，可以选择一种进行训练，均有不错的识别效果。

本项目选择使用CRNN，在CCPD数据集和自行收集制作的车牌数据集进行了训练，能够比较准确的识别常见的车牌，在大部分场景下具有良好的效果。

车牌检测和识别程序

本项目主要构建了class PlateRecognizer进行车牌检测、车牌识别、图像标注等处理。

class PlateRecognizer:def __init__(self):#初始化yolo检测模型和车牌识别模型self.device = torch.device("cuda" if torch.cuda.is_available() else "cpu")self.detect_model = YOLO('weights/yolo11n_plate.pt')  # 初始化检测模型self.rec_model = init_model(self.device, 'weights/model_color.pth', is_color=True)  # 初始化识别模型self.result_list = []self.imgsz = 1280self.output_path = 'output'self.save_image=True#运行检测推理和车牌识别def det_rec_plate(self, img):self.result_list=[]img_ori = copy.deepcopy(img)#运行检测推理results = self.detect_model.predict(source = img,save = False,