• AgentCLPR
• • 简介
  • 车牌识别效果
  • 快速使用
  • Contact us

AgentCLPR

简介

• 一个基于 ONNXRuntime、AgentOCR 和 License-Plate-Detector 项目开发的中国车牌检测识别系统。

车牌识别效果

• 支持多种车牌的检测和识别（其中单层车牌识别效果较好）：

  • 单层车牌：

    

      [[[[373, 282], [69, 284], [73, 188], [377, 185]], ['苏E05EV8', 0.9923506379127502]]]
      [[[[393, 278], [318, 279], [318, 257], [393, 255]], ['VA30093', 0.7386096119880676]]]
      [[[[[487, 366], [359, 372], [361, 331], [488, 324]], ['皖K66666', 0.9409016370773315]]]]
      [[[[304, 500], [198, 498], [199, 467], [305, 468]], ['鲁QF02599', 0.995299220085144]]]
      [[[[309, 219], [162, 223], [160, 181], [306, 177]], ['使198476', 0.9938704371452332]]]
      [[[[957, 918], [772, 920], [771, 862], [956, 860]], ['陕A06725D', 0.9791222810745239]]]
    

  • 双层车牌：

    

      [[[[399, 298], [256, 301], [256, 232], [400, 230]], ['浙G66666', 0.8870148431461757]]]
      [[[[398, 308], [228, 305], [227, 227], [398, 230]], ['陕A00087', 0.9578166644088313]]]
      [[[[352, 234], [190, 244], [190, 171], [352, 161]], ['宁A66666', 0.9958433652812175]]]
    

快速使用

• 快速安装

  # 安装 AgentCLPR
  $ pip install agentclpr
  
  # 根据设备平台安装合适版本的 ONNXRuntime
  
  # CPU 版本（推荐非 win10 系统，无 CUDA 支持的设备安装）
  $ pip install onnxruntime
  
  # GPU 版本（推荐有 CUDA 支持的设备安装）
  $ pip install onnxruntime-gpu
  
  # DirectML 版本（推荐 win10 系统的设备安装，可实现通用的显卡加速）
  $ pip install onnxruntime-directml
  
  # 更多版本的安装详情请参考 ONNXRuntime 官网
  

• 简单调用：

  # 导入 CLPSystem 模块
  from agentclpr import CLPSystem
  
  # 初始化车牌识别模型
  clp = CLPSystem()
  
  # 使用模型对图像进行车牌识别
  results = clp('test.jpg')
  

• 服务器部署：

  • 启动 AgentCLPR Server 服务

    $ agentclpr server
    

  • Python 调用

    import cv2
    import json
    import base64
    import requests
    
    # 图片 Base64 编码
    def cv2_to_base64(image):
        data = cv2.imencode('.jpg', image)[1]
        image_base64 = base64.b64encode(data.tobytes()).decode('UTF-8')
        return image_base64
    
    # 读取图片
    image = cv2.imread('test.jpg')
    image_base64 = cv2_to_base64(image)
    
    # 构建请求数据
    data = {
        'image': image_base64
    }
    
    # 发送请求
    url = "http://127.0.0.1:5000/ocr"
    r = requests.post(url=url, data=json.dumps(data))
    
    # 打印预测结果
    print(r.json())
    

Contact us

Email : agentmaker@163.com

QQ Group : 1005109853