简介这份车牌图像数据集面向计算机视觉与深度学习方向的开发者、研究者及学生用于车牌检测与识别等对象检测任务的模型训练与验证。数据集共1695张车牌图像每张均配有YOLO文本格式的边界框标注包含类别标签与坐标信息可直接接入YOLO系列检测框架。压缩包内共2000个文件以1696个txt标注文件、303个jpg图像文件及1个yaml配置文件为主整体约147.47MB目录结构便于按图像与标注对应检索。目前已有132人学习下载。借助这批标注数据读者可完成从数据预处理、模型训练到评估优化的完整流程并针对小尺寸、密集分布的车牌目标验证检测精度与推理速度同时可结合yaml配置快速复现实验为智能交通、停车场管理等场景提供可用的训练基础。1. 车牌检测数据集怎么选1695 张 YOLO 标注图能扛住哪些场景做车牌检测的兄弟多半有过这种经历网上搜「车牌图像数据集」下回来一看要么是几千张图配一个 CSV 坐标表要么是文件夹里塞满原图却找不到标注最坑的是标注格式五花八门VOC XML、COCO JSON、LabelMe 混在一起光写转换脚本就耗掉一整天。这份 1695 张的车牌图像数据集走的是另一条路——直接给 YOLO 文本格式每张图一个同名 .txt里面是类别标签加归一化边界框坐标拿到手就能往训练框架里喂。它解决的核心问题不是「有没有数据」而是「数据能不能直接进训练管线」。适合谁做智能交通、停车场出入口、高速卡口这类车牌检测落地的开发者以及想拿真实场景图跑通 YOLO 训练全流程的人。1695 张不算大但胜在标注干净、格式统一适合做 baseline 验证和迁移学习的起点而不是指望它一步到位训出生产级模型。2. YOLO 标注格式拆解从文件名到坐标的对应关系2.1 一份标注文件里到底存了什么YOLO 格式的标注文件是纯文本每行代表一个目标格式固定为class_id x_center y_center width height。这里五个字段全部用空格分隔其中后四个是归一化到 0 到 1 之间的浮点数基准是图像自身的宽和高。拿数据集里常见的video11_3350.txt举例如果图里只有一块车牌打开就是一行0 0.512 0.634 0.186 0.092这行的意思是类别 0车牌中心点位于图像宽度 51.2%、高度 63.4% 的位置车牌框宽度占整图 18.6%高度占 9.2%。注意坐标是中心点加宽高不是左上角加右下角这是新手最容易翻车的地方——拿 VOC 的 xmin/ymin/xmax/ymax 直接套进来框会整体偏移半个身位。2.2 图像与标注的配对规则数据集里图像和标注是严格同名的video9_360.jpg对应video9_360.txt放在同一目录或 images/labels 平行目录下。YOLO 训练时靠文件名匹配所以改名、加后缀、大小写不一致都会导致某张图被当成无标注负样本训练时表现为 loss 正常下降但召回率上不去。我一般会在训练前跑一遍配对检查脚本很短import os img_dir images lbl_dir labels imgs {os.path.splitext(f)[0] for f in os.listdir(img_dir) if f.lower().endswith((.jpg, .png))} lbls {os.path.splitext(f)[0] for f in os.listdir(lbl_dir) if f.endswith(.txt)} missing_lbl imgs - lbls missing_img lbls - imgs print(有图无标注:, len(missing_lbl), sorted(missing_lbl)[:5]) print(有标注无图:, len(missing_img), sorted(missing_img)[:5])逻辑说明用集合差集找出单边缺失的文件。参数上img_dir和lbl_dir按你实际解压后的目录结构改如果图像和标注混在同一目录把两个路径都指向同一目录即可。跑完如果两个数字都是 0说明配对干净可以进下一步。2.3 类别标签与 data.yaml 的对应数据集标注里的 class_id 从 0 开始车牌检测通常是单类所以所有行开头都是 0。但你不能假设它一定是 0——有些数据集会把「车牌」和「车辆」分成两类。训练前先统计一下类别分布cat labels/*.txt | awk {print $1} | sort | uniq -c这条命令把所有标注行的第一个字段抽出来计数。如果输出只有一行0说明是纯单类车牌数据集data.yaml 里nc: 1、names: [plate]就行。如果冒出 1、2 甚至更多就得先搞清楚每个 id 代表什么别闷头就训。常见做法是先用小样本可视化确认避免类别错位导致模型学出个四不像。3. 从零跑通训练环境、配置与第一次迭代3.1 环境搭建与依赖版本YOLO 训练环境这几年变化不小但核心依赖就那几个。我一般用 Python 3.9 到 3.10 之间的版本太新反而容易碰到某些包还没适配。以 Ultralytics 的 YOLOv8 为例一条命令装齐pip install ultralytics8.1.0 opencv-python numpy tqdm参数说明ultralytics是训练框架本体版本号建议锁一下不同小版本之间 API 偶有变动opencv-python用于图像读取和可视化numpy处理数组tqdm看进度条。装完用yolo checks验证环境它会打印出 PyTorch 版本、CUDA 是否可用、GPU 型号。如果 CUDA 不可用训练会退回 CPU1695 张图跑 100 轮大概要几个小时能等但没必要——检查一下显卡驱动和 PyTorch 的 CUDA 版本是否匹配。3.2 数据集目录组织与 data.yaml 写法YOLO 训练对目录结构有约定推荐按下面这样摆plate_dataset/ ├── images/ │ ├── train/ │ └── val/ ├── labels/ │ ├── train/ │ └── val/ └── data.yaml1695 张图按 8:2 切训练集约 1356 张验证集约 339 张。切分脚本import os, random, shutil random.seed(42) src_img, src_lbl raw/images, raw/labels for split in [train, val]: os.makedirs(fplate_dataset/images/{split}, exist_okTrue) os.makedirs(fplate_dataset/labels/{split}, exist_okTrue) files [f for f in os.listdir(src_img) if f.lower().endswith(.jpg)] random.shuffle(files) cut int(len(files) * 0.8) for i, f in enumerate(files): split train if i cut else val stem os.path.splitext(f)[0] shutil.copy(os.path.join(src_img, f), fplate_dataset/images/{split}/{f}) shutil.copy(os.path.join(src_lbl, stem .txt), fplate_dataset/labels/{split}/{stem}.txt)逻辑说明固定随机种子保证每次切分一致方便复现。先打乱再按 80% 切避免原始文件按拍摄顺序排列导致验证集全是同一场景。参数上random.seed(42)可以换成任意整数换一个种子就是另一组切分做交叉验证时有用。data.yaml 内容path: ./plate_dataset train: images/train val: images/val nc: 1 names: [plate]path是数据集根目录train和val是相对路径。nc是类别数names是类别名列表顺序必须和标注里的 class_id 对应。3.3 启动训练与关键参数配置就绪后训练命令一行yolo detect train dataplate_dataset/data.yaml modelyolov8n.pt epochs100 imgsz640 batch16 lr00.01 patience20参数逐个说modelyolov8n.pt用 nano 版预训练权重1695 张图这个量级n 版够用且快想冲精度换yolov8s.ptepochs100是上限配合patience20做早停验证 loss 连续 20 轮不降就停imgsz640是输入分辨率车牌在图中占比小的话可以提到 1280但显存翻倍batch16按显存调8G 显存跑 640 分辨率大概能到 16不够就降到 8lr00.01是初始学习率预训练权重微调这个值合适从零训要降到 0.001 量级。训练过程中重点盯三个指标box_loss看定位是否收敛cls_loss看分类mAP50看整体检测精度。正常情况前 10 轮 loss 快速下降30 轮后趋于平缓。如果 loss 震荡剧烈先降学习率如果 loss 不降检查标注坐标是否归一化、类别 id 是否越界。4. 避坑与排查标注、训练、评估里最容易翻车的五件事4.1 坐标没归一化导致框全飘现象训练 loss 居高不下推理时框要么巨大盖住整图要么小成一个点。原因标注里写的是像素坐标而不是 0 到 1 的归一化值YOLO 按归一化解析数值大于 1 就被截断或错位。解决写个脚本扫一遍所有标注任何坐标字段超过 1.0 就报警import os bad [] for f in os.listdir(labels): if not f.endswith(.txt): continue for ln, line in enumerate(open(flabels/{f})): parts line.strip().split() if len(parts) ! 5: bad.append((f, ln, 字段数不对)); continue vals list(map(float, parts[1:])) if any(v 0 or v 1 for v in vals): bad.append((f, ln, 坐标越界)) print(bad[:20], 总计, len(bad))4.2 图像和标注不同步导致静默丢样本现象训练集明明有 1356 张图日志里train样本数却少了一截。原因切分脚本只复制了图没复制标注或者文件名大小写不一致.JPG对.txt。解决切分后立刻跑 2.2 节的配对检查确认 images 和 labels 两个目录下文件数一致、stem 完全匹配。这个坑最阴的地方在于不报错只是悄悄少训了一部分数据。4.3 验证集切分不合理导致 mAP 虚高现象验证集 mAP50 冲到 0.95换一批新图测试直接掉到 0.6。原因切分时没打乱验证集全是同一段视频的连续帧和训练集高度相似等于变相泄漏。解决切分前先 shuffle并且如果文件名带视频编号如video11_3350最好按视频维度切分同一视频的帧要么全在训练集要么全在验证集这样评估才反映真实泛化能力。4.4 小目标车牌在 640 分辨率下漏检严重现象大图里车牌检测正常远处小车牌频繁漏检。原因车牌在原图中像素面积小缩到 640 后只剩十几个像素特征提取困难。解决把imgsz提到 1280或者在数据加载时对含小车牌的图做 mosaic 增强YOLO 默认开启确认没被关掉。另一个思路是切图推理把大图裁成重叠子图分别检测再合并适合卡口这类固定机位场景。4.5 显存溢出与 batch 设置现象训练启动几秒后报 CUDA out of memory。原因batch或imgsz超过显存容量或者开了多尺度训练但没限制范围。解决先把batch降到 4 试跑能跑通再往上加imgsz从 640 起步。如果显存实在紧张用yolo detect train ... ampTrue开启混合精度能省约三成显存代价是数值稳定性略降loss 出现 NaN 就关掉。5. 进阶技巧用这份数据集验证模型改进与部署前检查数据集跑通 baseline 之后真正的价值在于拿它当试验台。我一般会固定这套 1695 张的切分然后换不同的 backbone、neck 或损失函数看 mAP50 和推理延迟的此消彼长。比如把 YOLOv8n 换成 v8smAP 通常涨 2 到 4 个点但延迟翻倍换成带注意力的改进结构小目标召回可能提升但训练轮次得加。关键是控制变量——每次只改一个地方其余配置和随机种子保持一致否则涨跌都说不清是谁的功劳。评估阶段别只看 mAP。车牌检测落地时误检和漏检的代价不一样卡口场景漏检一辆车可能漏掉一条记录误检则浪费人工复核。所以我习惯额外跑一遍混淆矩阵和 PR 曲线看模型在哪个置信度阈值下误检率可接受。YOLO 训练完会自动生成confusion_matrix.png和PR_curve.png在runs/detect/train/目录下。如果混淆矩阵里背景被大量误判为车牌说明模型对非车牌区域过于敏感可以适当提高推理时的conf阈值或者补充负样本。部署前还有一步容易省用验证集之外的图做一次端到端推理把检测框画出来肉眼过一遍。我吃过亏——指标好看但框偏了半个车牌原因是标注时框的是车牌外沿还是字符区域没统一。这种问题指标看不出来只能靠眼睛。从那以后我每次训完新模型都强制抽 20 张不同场景的图跑推理可视化确认框的位置和业务定义一致才往下走。这份数据集规模不大但标注规范、格式标准适合当车牌检测的起点和模型改进的基准。拿到手先跑配对检查和坐标校验再按 8:2 切分训一版 baseline后面换结构、调参数都有对照。希望帮到你。本文还有配套的精品资源点击获取