本项目基于 YOLOv8 实现车牌检测与定位，提供完整的训练流程与可视化桌面应用，支持图片、视频、摄像头多种输入方式的实时检测。

---

一、项目技术栈

类别	技术
深度学习框架	PyTorch、Ultralytics YOLOv8
计算机视觉	OpenCV
桌面 UI	PyQt6
数据处理	NumPy、Pandas
可视化	Matplotlib
其他	PyYAML、Pillow、EasyOCR

---

二、数据集说明

2.1 数据来源

采用 CCPD2020（Chinese City Parking Dataset 2020）数据集，经 PASCAL VOC 格式整理后的 CCPD2020-voc 版本。

2.2 图片种类与数量

子集	图像数量	标注数量	用途
训练集 (train)	5,769	5,769	模型训练
验证集 (val)	1,001	1,001	验证与早停
测试集 (test)	5,006	5,006	最终评估
合计	11,776	11,776	—

2.3 图片内容

• 格式：JPG
• 内容：含车牌的完整场景图像（车辆、道路等）
• 标注：PASCAL VOC XML，包含车牌边界框 (xmin, ymin, xmax, ymax)
• 类别：单类别 plate（车牌）

2.4 数据集结构

CCPD2020-voc/
├── train/
│   ├── Annotations/   # XML 标注
│   └── JPEGImages/    # 训练图像
├── val/
│   ├── Annotations/
│   └── JPEGImages/
└── test/
    ├── Annotations/
    └── JPEGImages/

训练前会将 VOC 格式转换为 YOLO 格式（归一化坐标），输出至 dataset/ 目录。

---

三、训练过程与参数

3.1 训练流程

1. 数据准备：从 CCPD2020-voc 读取 VOC 标注，转换为 YOLO 格式
2. 配置生成：生成 dataset/data.yaml（路径、类别等）
3. 模型训练：使用 YOLOv8n 预训练权重进行微调

3.2 主要训练参数

参数	取值	说明
模型	YOLOv8n	轻量级 backbone
Epochs	100	训练轮数
Batch size	16	每批样本数
图像尺寸	640×640	输入分辨率
Patience	50	早停耐心值
设备	0	GPU 编号
Workers	4	数据加载线程数

3.3 运行训练

python train.py

训练完成后，最佳权重保存在 runs/train/license_plate_detection/weights/best.pt。

---

四、可视化图表含义

训练结果可视化脚本 visualize_training.py 基于 results.csv 生成以下图表：

4.1 损失曲线 (loss_curves.png)

子图	含义
Box Loss	边界框回归损失，衡量预测框与真实框的偏差
Classification Loss	分类损失，衡量类别预测的准确性
DFL Loss	分布焦点损失，用于边界框的分布建模

每条曲线包含 Train（训练集）与 Val（验证集），用于判断过拟合与收敛情况。

4.2 评估指标曲线 (metrics_curves.png)

指标	含义
Precision	精确率，预测为正例中实际为正例的比例
Recall	召回率，实际正例中被正确预测的比例
mAP50	IoU=0.5 时的平均精度均值
mAP50-95	IoU 从 0.5 到 0.95 步长 0.05 的 mAP 均值，综合评估指标

图中会标注最佳 Epoch 及对应 mAP50-95 值。

4.3 学习率曲线 (learning_rate.png)

展示训练过程中学习率随 Epoch 的变化，用于检查学习率调度是否合理。

4.4 综合汇总图 (training_summary.png)

2×2 子图，包含：总损失、核心指标、训练损失分解、累计训练时间。

4.5 mAP 对比图 (mAP_comparison.png)

对比 mAP50 与 mAP50-95 随 Epoch 的变化，并标注最佳 Epoch。

4.6 运行可视化

python visualize_training.py

图表输出至 runs/detect/runs/train/license_plate_detection/ 目录。

---

五、系统功能

5.1 登录与注册

• 本地用户管理，支持注册与登录
• 用户数据存储在 local_data/users.json

5.2 图片识别

• 打开本地图片进行检测
• 左侧预览原图与检测结果，右侧展示统计与明细
• 支持导出结果图、导出 CSV
• 统计卡片：目标总数、类别数、平均置信度、最高置信度
• 类别分布表、详细数据表（序号、类别、置信度、坐标、面积）

5.3 视频识别

• 打开本地视频文件
• 支持按帧间隔检测（默认每 2 帧）
• 实时显示检测结果与累计统计
• 支持导出当前帧

5.4 摄像头识别

• 实时摄像头画面检测
• 可切换摄像头索引、检测开关
• 支持截图保存
• 显示当前帧与累计统计

5.5 历史记录

• 只读查询所有检测记录
• 支持按类型（图片/视频/摄像头）筛选、关键词搜索
• 支持导出历史 CSV

5.6 模型选择

• 默认使用 runs/detect/runs/train/license_plate_detection/weights/best.pt
• 支持浏览并加载自定义 .pt 模型
• 可配置置信度阈值、IoU 阈值、最大检测数

5.7 指标展示

• 训练曲线：损失、P/R、mAP、学习率
• 指标汇总：mAP50、mAP50-95、Precision、Recall 等统计卡片及条形图、雷达图
• 可视化图表：mAP 对比、总损失曲线等

---

六、项目结构

c90/
├── app.py                 # 桌面应用入口
├── train.py               # 训练脚本
├── visualize_training.py  # 训练结果可视化
├── requirements.txt       # 依赖列表
├── dataset/               # 转换后的 YOLO 数据集
│   ├── data.yaml
│   ├── images/
│   │   ├── train/
│   │   ├── val/
│   │   └── test/
│   └── labels/
│       ├── train/
│       ├── val/
│       └── test/
├── ui_app/                # 桌面应用模块
│   ├── config.py          # 路径与常量配置
│   ├── storage.py         # 用户、历史、设置存储
│   ├── styles.py          # QSS 样式
│   ├── detector.py        # YOLO 检测封装
│   ├── login_window.py    # 登录/注册窗口
│   ├── main_window.py     # 主窗口（导航+页面堆栈）
│   └── pages/             # 功能页面
│       ├── image_page.py  # 图片识别
│       ├── video_page.py  # 视频识别
│       ├── camera_page.py # 摄像头识别
│       ├── history_page.py# 历史记录
│       ├── model_page.py  # 模型选择
│       ├── metrics_page.py# 指标展示
│       └── common.py      # 公共组件
├── local_data/            # 本地数据（用户、历史、设置）
├── runs/                  # 训练输出与权重
│   └── detect/runs/train/license_plate_detection/
│       ├── weights/
│       │   └── best.pt
│       ├── results.csv
│       └── args.yaml
└── 数据集结构说明.md      # 数据集说明文档

---

七、运行说明

7.1 环境要求

• Python 3.9+
• 建议使用 GPU（CUDA）以加速训练与推理

7.2 安装依赖

pip install -r requirements.txt

7.3 启动桌面应用

python app.py

默认账号：admin / 123456。

7.4 数据准备

将 CCPD2020-voc 数据集置于项目根目录，结构与 数据集结构说明.md 一致。运行 train.py 时会自动完成 VOC→YOLO 转换。

---

八、作者与开发信息

• 作者：Jay
• 定制联系：vx Jay8059
• 开发日期：2026 年