基于 CRNN 架构的轻量级车牌识别OCR：从数据准备到模型部署全流程解析(包含源码+数据集(25万张)+训练模型)

作品简介

1、简介

车牌识别（License Plate Recognition, LPR）是智能交通、安防监控和车辆管理中的核心技术之一。本文介绍一个基于 CRNN（Convolutional Recurrent Neural Network）架构开发的完整开源车牌识别系统，涵盖从原始标注数据处理、训练集构建、模型训练、验证评估到 ONNX 模型导出与推理的全流程。

CRNN OCR具有以下特点：

端到端识别：直接输入裁剪后的车牌图像，输出识别字符串；

支持中文字符：覆盖中国车牌常用省份简称、字母、数字及特殊字符（如“警”、“学”、“港”、“挂”等）；

模块化设计：清晰分离数据预处理、模型定义、训练逻辑与推理流程；

工业友好：支持 PyTorch 训练 + ONNX 导出 + ONNX Runtime 高效推理；

灵活配置：提供 small / medium / large 三种模型规模，适应不同算力场景。

2、数据预处理

分别处理 CBLPRD-330k 和 CRPD 两大公开车牌数据集；

制作步骤：

读取原始标注文件（含车牌坐标或直接车牌号）；

裁剪/缩放车牌区域为统一尺寸（默认 168×48）；

按车牌号命名图像文件（如京A12345.jpg）；

自动过滤非法字符（不在 plateName 中的车牌）；

支持中文路径读写（使用 cv2.imdecode + np.fromfile）。

输出：纯车牌图像文件夹，文件名即标签。

执行脚本

python cblprd_to_ocr.py

实现CBLPR数据集转成CRNN OCR 训练的数据集

执行脚本

python crpd_to_ocr.py

实现CRPD数据集转成CRNN OCR 训练的数据集

`标签文件`

将上述图像文件夹转换为训练所需的标签文件（.txt）；
格式：图像路径字符索引1 字符索引2 ...
示例：

datasets/train/京A12345.jpg 1 52 43 44 45 46 47

自动删除含非法字符的图片，保证数据纯净。

3、训练示例

python train.py

4、模型导出

python export.py

5、模型评估

python val.py

6、性能表现

(myvenv) nvr@lan:~/work/crnn/crnn_plate_ocr$ python val.py --model_path=run/train/small_epochs100/best.pth --image_path=images
使用PyTorch模型: run/train/small_epochs100/best.pth
OK: 真实:藏QFE6081 识别:藏QFE6081
OK: 真实:鄂PDT5402 识别:鄂PDT5402
OK: 真实:黑GDE5694 识别:黑GDE5694
OK: 真实:藏TFS6082 识别:藏TFS6082
OK: 真实:藏ZFR3218 识别:藏ZFR3218
OK: 真实:甘HFK7578 识别:甘HFK7578
OK: 真实:甘ND04171 识别:甘ND04171
OK: 真实:鄂YFP8993 识别:鄂YFP8993
OK: 真实:鄂SDJ2358 识别:鄂SDJ2358
OK: 真实:藏PFD3364 识别:藏PFD3364
OK: 真实:甘QD31615 识别:甘QD31615
OK: 真实:鄂HF31708 识别:鄂HF31708
OK: 真实:川ADJ6810 识别:川ADJ6810
OK: 真实:川A0JH81 识别:川A0JH81
OK: 真实:京C61493F 识别:京C61493F
OK: 真实:京C38798D 识别:京C38798D
OK: 真实:川A0K70D 识别:川A0K70D
OK: 真实:琼BU2232 识别:琼BU2232
OK: 真实:藏A2VGD0 识别:藏A2VGD0
OK: 真实:陕F5JM3D 识别:陕F5JM3D
OK: 真实:川HFN8482 识别:川HFN8482
OK: 真实:京BQWK5Q 识别:京BQWK5Q
Total: 22, Success: 22, Failed: 0, Acc: 1.0000