简介面向目标检测学习者和开发者的车牌检测数据集共1019张带标签图像专供YOLO系列算法进行模型训练与验证兼容yolov5至yolo11等多个主流版本。压缩包内共2000个文件包含980个txt标签、1019个xml标签和1个data.yaml配置文件分别存储YOLO格式与VOC格式标注用户可直接用于训练、测试与结果评估。标签格式说明详细含类别索引和归一化中心坐标、宽高信息数据集已划分好训练集和验证集免去手动整理与格式转换的繁琐环节。资源包大小约47.28MB已有153人学习下载适合需要快速启动车牌检测项目、开展算法效果对比或教学演示的读者能有效节省数据准备时间帮助聚焦模型调优与业务落地。1. 为什么说1019张带标签的车牌图像是yolo车牌检测从练手到落地之间的分水岭“yolo算法-车牌检测数据集数据集-1019张图像带标签-.zip”这个压缩包的核心不是某段训练代码而是一份已经按YOLO规范标注好的车牌检测数据集1019张图每张都有同名的txt标签文件里面记录车牌框的位置和类别编号。1019张的规模正好卡在练习和实战之间相比只用来跑通demo的几十张图它能覆盖早晚光线、顺逆光、不同车牌颜色和部分遮挡相比上万张的工业级采集量它又小到能在单张消费级显卡上完整训练多轮适合验证yolo车牌检测方案、参加算法评估、熟悉“数据-标注-训练-部署”的完整流程。接下来从压缩包的目录结构入手把标签核查、训练配置、结果评估和模型导出这条链路走一遍。2. 拆开.zip后先做什么数据集目录、YOLO标签格式与自动划分拿到压缩包第一件事是解压。Linux或macOS下直接unzipWindows下用7-Zip或右键解压到当前目录。解压完成后不能直接开训练先数一遍文件unzip yolo算法-车牌检测数据集数据集-1019张图像带标签-.zip -d plate_dataset find plate_dataset/images -name *.jpg | wc -l find plate_dataset/labels -name *.txt | wc -l第一个命令把内容解压到plate_dataset目录后两个分别统计jpg图像数量和txt标签数量。如果两个数字都接近1019说明文件对得齐如果不一致先找出缺标签的样本再谈训练。很多数据集在搬运过程中会丢文件YOLOv8遇到无标签图像不会中断训练而是直接跳过但这样验证时会出现“模型预测出框、标签里却没有”的假阳性干扰你对精度的判断。一个规范后的yolo数据集目录应该长成下面这样plate_dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ ├── labels/ │ ├── train/ │ ├── val/ │ └── test/ └── data.yaml压缩包原始的布局不一定这么规整。常见变形有四种处理方式也不一样原始状态判断方法处理方式已按train/val/test分好有data.yamldata.yaml路径正确直接改path后训练有images/labels子目录但没有data.yaml子目录名是train/val手写一份data.yamlimages和labels都是平铺目录、未划分目录下直接是图片按2.3节脚本划分图片和标签混杂、文件名对不上同名txt数量不匹配先清洗再划分不要直接训练2.1 看一个标签文件理解YOLO的五个数字用文本编辑器打开任意一个labels/train下的txt文件一行就是一个车牌框0 0.430000 0.380000 0.220000 0.075000这五个数字是YOLO数据格式的固定结构空格分隔含义如下字段含义有效范围cls类别编号从0开始0到names数量减1cx车牌框中心点的x坐标已归一化0到1cy车牌框中心点的y坐标已归一化0到1bw车牌框宽度已归一化大于0bh车牌框高度已归一化大于0归一化到底除以什么除以的是图像自身的宽和高。一张1920×1080的图像如果车牌框的像素坐标是x1600、y1400、x21300、y2500那么cx(6001300)/2/1920≈0.4948bw(1300-600)/1920≈0.3646y方向同理。这样标注与图像绝对分辨率无关训练时无论缩放成640还是960都能复用这正是YOLO系列跨版本通用的核心约定。很多人问yolo第几代了要不要换新release其实无论v5、v8还是后续版本标签文件格式始终保持稳定这也解释了为什么这类数据集能一直复用。类别索引由data.yaml的names字段决定。车牌检测场景常见两种设计只设plate一个类或按车牌类型拆成blue_plate、yellow_plate、green_plate等多个类。单类时模型只回答“哪里是车牌”多类时还要回答“是哪类车牌”。数据只有1019张时我倾向于先只做单类把颜色和类型的判定交给后续的OCR或分类模型处理否则各类样本不均衡会让训练难度明显上升。2.2 数据集没有划分时用固定随机种子自动切分很多打包好的数据集并没有替你做训练集与验证集的划分。手动划分的常见做法是8:1:1分成train、val、test并保持图片与标签同步移动。我一般用下面这个脚本import random import shutil from pathlib import Path src Path(plate_dataset) images sorted(list((src / images).glob(*.jpg)) list((src / images).glob(*.png))) rng random.Random(42) # 固定随机种子保证多次运行结果一致 rng.shuffle(images) train_ratio, val_ratio 0.8, 0.1 n_train int(len(images) * train_ratio) n_val int(len(images) * val_ratio) splits { train: images[:n_train], val: images[n_train:n_train n_val], test: images[n_train n_val:], } for split_name, imgs in splits.items(): img_dir src / images / split_name lbl_dir src / labels / split_name img_dir.mkdir(parentsTrue, exist_okTrue) lbl_dir.mkdir(parentsTrue, exist_okTrue) for img_path in imgs: lbl_path img_path.with_suffix(.txt) if lbl_path.exists(): shutil.move(str(img_path), str(img_dir / img_path.name)) shutil.move(str(lbl_path), str(lbl_dir / lbl_path.name))脚本要点有三个。第一glob(*.jpg)和glob(*.png)分开匹配再合并避免打包时图片格式混用导致统计数量偏差。第二random.Random(42)固定了伪随机数生成器的种子多次执行划分结果一致这对训练复现和后续增删数据很重要。第三移动操作要求图片和标签严格同名同后缀这是YOLO的硬性约定——标签文件是图像文件名加.txt后缀不是把图片后缀改一下就行。运行结束后再用开头的find命令数一遍确认各目录数量比约等于8:1:1。如果发现某些标签文件不存在脚本会静默跳过对应图像此时应该回到文件级做一次补全而不是带着缺失标签硬训练。3. 训练前把标签过一遍筛可视化画框、坏样本检测与KITTI转换YOLO训练不会校验标签质量标注错、越界、类别写错都会被当成正常数据参与计算。所以我的习惯是先抽几十张图把标签渲染回原图用肉眼快速过一遍再用脚本扫全量标签把三类常见坏样本捞出来。3.1 把YOLO归一化坐标还原成彩色框肉眼核对框在哪下面这段Python脚本读一张图和它的标签在图像上画出车牌框并保存为check_output目录下的新文件import cv2 from pathlib import Path img_path Path(plate_dataset/images/train/00001.jpg) label_path img_path.with_suffix(.txt) img cv2.imread(str(img_path)) h, w img.shape[:2] with open(label_path, r) as f: for line in f: cls, cx, cy, bw, bh map(float, line.split()) # YOLO中心点坐标换算回像素左上角和右下角 x1 int((cx - bw / 2) * w) y1 int((cy - bh / 2) * h) x2 int((cx bw / 2) * w) y2 int((cy bh / 2) * h) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 3) cv2.putText(img, str(int(cls)), (x1, max(y1 - 8, 0)), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 255, 0), 2) out Path(check_output) / img_path.name out.parent.mkdir(exist_okTrue) cv2.imwrite(str(out), img) print(f已生成 {out})换算逻辑是反解YOLO格式像素中心点等于归一化中心乘以图片宽高像素半宽等于归一化半宽乘以图片宽高左上角由中心点减半宽得到。画框后重点核对三处。第一框是否完整包住车牌而不是只包住部分字符。第二车牌区域的高宽比常规燃油蓝牌比例约3.14:1新能源绿牌更长如果大量框的比例接近1:1或2:1说明标注时把散热器格栅或车灯一起框进去了。第三有没有把反光的车标、保险杠误标成车牌。1019张样本里只要有1%到2%的噪声标签夜间场景的误检率就会明显上升。3.2 用脚本扫全量标签越界、空文件、宽高异常肉眼逐张看1019张太慢脚本扫一遍更可靠。YOLO标签最常见的异常有三类异常类型出现原因对训练的影响处理建议空标签文件图片里确实没有车牌或标注工具导出失败模型学到“背景就是车牌”的错觉确认为背景图则保留否则删除中心点或宽高越界标注工具bug或手工改错增强时目标被裁出画面标签分布错乱删除或用脚本修正宽高比明显异常把车灯、车脸框进来增加误检人工修正下面的脚本遍历labels目录把坐标越界、字段缺失、宽高非正三类问题全部列出来import glob report_lines [] for txt in glob.glob(plate_dataset/labels/**/*.txt, recursiveTrue): with open(txt) as f: lines [l.strip() for l in f if l.strip()] if not lines: report_lines.append(f{txt}: 空标签) continue for line in lines: parts line.split() if len(parts) ! 5: report_lines.append(f{txt}: 字段数{len(parts)} - {line}) continue cls, cx, cy, bw, bh map(float, parts) if not (0 cls 10): report_lines.append(f{txt}: 类别编号异常 - {line}) if bw 0 or bh 0: report_lines.append(f{txt}: 宽高非正 - {line}) if cx 0 or cx 1 or cy 0 or cy 1: report_lines.append(f{txt}: 中心点越界 - {line}) if (cx - bw / 2 -0.01) or (cx bw / 2 1.01): report_lines.append(f{txt}: 框超左/右边界 - {line}) for r in report_lines[:50]: print(r) print(f异常标签总数: {len(report_lines)})脚本输出前50条异常最后给总数。中心点允许0到1、边框允许±0.01的容差是考虑到当车牌贴得太靠边时标注工具生成的框可能微幅超出图像边界这种情况训练时被裁剪掉一小块影响不大。但超到10%以上的框在mosaic、随机裁剪等数据增强时目标会被整块裁掉导致训练标签分布和验证标签分布不一致表现就是训练loss一直降、验证mAP上不去。3.3 KITTI标注转YOLO的坐标换算以及转换时的坑从公开数据集或旧项目里收集车牌数据时经常碰到KITTI格式。KITTI和YOLO标签有两处明显差异一是坐标是绝对像素的x1,y1,x2,y2不是归一化中心坐标二是类别字段后面还带truncated、occluded、alpha三个附加字段转换时只取类别和四个坐标即可def kitti_to_yolo(x1, y1, x2, y2, img_w, img_h): # KITTI像素框转YOLO归一化中心宽高 cx (x1 x2) / 2.0 / img_w cy (y1 y2) / 2.0 / img_h bw (x2 - x1) / img_w bh (y2 - y1) / img_h return cx, cy, bw, bh参数说明x1,y1是左上角x2,y2是右下角img_w和img_h是当前图像的宽高必须按单张图片逐张传入。转换时最容易出错的是两个点KITTI的类别是car、person这类字符串转成车牌检测时要映射成统一编号否则标签类别会错乱KITTI的bbox允许浮点转出来后可能出现小于0或大于1的极小偏差用clip(0,1)夹紧即可。如果转换后大量框的坐标超出正常范围超过5%多半是图像被resize过而坐标没有同步缩放或img_w/img_h传成了另一张图的尺寸。4. 从零训练yolo车牌检测模型data.yaml、训练参数与损失观察数据准备就绪后进入正式的yolov8训练阶段。这一章按“写配置、调参数、看指标”三步走这也是yolov8训练自己的数据集最标准的流程。4.1 写对data.yaml让yolo训练器找到图片和标签第一步是写data.yaml。这个文件负责把图像目录、标签目录和类别名称告诉Ultralytics YOLO。推荐放在数据集根目录下# plate_dataset/data.yaml path: D:/datasets/plate_dataset # 改成你解压后的绝对路径 train: images/train val: images/val test: images/test # 单类别车牌检测 names: 0: plate # 如果标签是多类别的按标签文件中的编号顺序写 # names: # 0: blue_plate # 1: yellow_plate # 2: green_plate # 3: new_energypath是上级目录train、val、test此时写相对于path的相对路径。一个常见错误是train写成D:/datasets/plate_dataset/images/train而path已经写到了plate_datasetUltralytics内部会用路径拼接组合结果出现重复目录层级报错找不到图片。names的索引必须和标签文件第一列的整数严格一致且从0开始不能从1开始也不能留空档。写之前先用head -3 plate_dataset/labels/train/任意文件.txt确认类别编号的实际范围再决定names怎么写。4.2 训练命令与关键参数先加分辨率再考虑模型规模用YOLOv8训练的命令是统一的yolo三件套形式起步命令如下yolo detect train \ dataplate_dataset/data.yaml \ modelyolov8n.pt \ epochs100 \ imgsz640 \ batch16 \ device0 \ workers4 \ optimizerauto \ patience20model参数用了yolov8n.pt它会自动下载COCO预训练权重。为什么不用随机初始化因为车牌检测的特征提取器在COCO上学到的基础视觉能力可以直接迁移1019张这样的小数据量下从预训练权重起步明显收敛更快。超参数的选择经验如下参数我的做法一般经验范围说明imgsz640起步小目标多改960512到1280输入分辨率直接决定车牌在图中占多大batch168到648GB显存跑yolov8n可开16内存不足降到8epochs10050到200配合patience早停不必强行跑满patience2010到30验证指标连续20轮无提升就停止optimizerautoAdamW或SGDauto让框架自己按epoch切换策略cacheFalse小数据集可开True1019张可缓存到显存加快读图batch的选择逻辑一批16张图在8GB显存上yolov8n配合imgsz640可以稳定运行如果显存不够优先降batch到8再考虑降imgsz到480。imgsz直接决定了车牌在输入图像中的尺寸原始图中一个40×14像素的车牌在640输入下可能只剩约20×8像素。这正是车牌检测里常说先把分辨率调上去的原因。动手前可以先统计标签框尺寸解析所有标签算出车牌宽占原图宽的中位数再乘以目标imgsz得到“车牌在输入图中大约多大”。如果结果小于20像素把imgsz从640加到960或1280比从yolov8n换到yolov8s更有效。4.3 训练日志里看什么box_loss、分类损失与mAP的配合训练开始后终端每轮会打印两组指标loss组合和验证指标。Ultralytics输出中box_loss是回归分支的框损失分类损失cls_loss是类别预测损失DFLDistribution Focal Loss负责边框分布的精细回归验证指标里precision、recall、mAP50、mAP50-95分别对应不同严格程度的检测效果。在1019张车牌数据上正常变化是前10到15个epochbox_loss和cls_loss一路下降mAP50快速上升到0.9附近之后提升变缓损失出现小幅波动。如果训练到60个epoch时mAP50始终在0.95附近徘徊上不去而train loss继续下降、val loss停止下降甚至回升这是典型的过拟合信号。处理办法按优先级排列打开patience早停、减小数据增强的mosaic占比、把imgsz调大一档。有时loss一直降但验证mAP偏低问题不一定出在模型。若验证集是随机划分可能某张车牌密集的图被划进val一张图里十多个车牌只要漏掉几个mAP就被明显拉低。这时直接用训练好的权重在val目录上跑一遍推理更直观yolo detect predict modelruns/detect/train/weights/best.pt \ sourceplate_dataset/images/val/ \ conf0.25 \ saveTrue它会用best.pt对val目录下每张图做推理并把画好框的结果保存到runs/detect/predict。配合3.1的可视化脚本能直接区分“模型没学会”和“标注本身影响了指标”。best.pt由框架在每轮验证后自动按mAP50-95保存最优权重不需要自己手动挑checkpoint。5. 导出模型与精度再提升imgsz、ONNX导出、漏检分析5.1 小目标场景的取舍先加分辨率再换大模型1019张的小数据量下盲目把模型从n换到s甚至m收益通常不大。一个我常用的对比组合是yolov8n配合imgsz960对yolov8s配合imgsz640。相同数据下前者在近距离车牌上的mAP50往往比后者高出1到3个百分点模型体积增加却很有限而yolov8s参数量翻倍训练时间变长却因为输入分辨率低车牌特征在逐步降采样过程中已经模糊容量优势根本发挥不出来。车牌是小物体任务分辨率优先于模型规模。同时可以适当降低mosaic比例比如设mosaic0.4、close_mosaic15让最后十几个epoch在前置数据分布上微调避免车牌被马赛克增强切碎。5.2 导出ONNX和TensorRT把模型变成可交付的文件训练收敛后下一步是把best.pt导出成不依赖Python训练环境的推理格式。Ultralytics的export子命令一步到位yolo export modelruns/detect/train/weights/best.pt formatonnx opset12 simplifyTrue导出后得到best.onnx。关键是要理解它的输出结构YOLOv8的ONNX输出是一个(1, 4类别数, 候选框数)的张量需要先转置再分离边界框坐标、置信度和类别概率最后自己实现NMS后处理。如果你只想在GPU上部署可以改导TensorRT引擎formatengine配合halfTrue做FP16量化FP16对车牌检测这类目标通常精度损失在0.5%以内而推理速度能提升一半以上。导出前记得用一张与训练分布一致的验证图测一遍输出确认框坐标没有被opset或simplify选项改变。5.3 分析漏检来源判断下一步要不要接入车牌识别模型模型跑完一轮不要只盯着mAP看。把漏检和低置信度的样本集中起来分析通常归结为三类深色车漆上的深色车牌漏检强反光下把反光条当车牌夜间只框出半块车牌。三种错误的修法完全不同。前两种要回到数据层面采集更多对应场景的图像补充训练集第三种则需要检查是否训练数据里夜间样本占比过低。若误检集中在广告牌、车灯、保险杠区域应该专门收集这些干扰物体作为负样本加入训练集让模型把这些容易撞车的区域压下去。车牌检测到这里任务完成后续自然衔接的就是开源车牌检测识别模型那条链路检测出框后把倾斜车牌做一次透视矫正按固定高宽比裁剪再交给识别模型解码车牌字符。所以1019张带标签的数据集并不是终点它是先把检测这前半截稳定下来的起点——检测框稳了后面的识别、跟踪、数据落库流程才有可靠输入。导出ONNX之后用一份业务现场的视频流做一次长时推理统计连续帧里车牌的检出稳定性比单独看静态图mAP更能暴露问题。本文还有配套的精品资源点击获取