本文分享自华为云社区《依据ModelArts完结车辆车牌号的方针辨认》，作者：屿山岛 。
前语
车辆车牌是车辆的仅有身份标识，能够供给车辆的类型、颜色、归属地等信息，关于交通办理、安全监控、智能出行等范畴具有重要的运用价值。跟着计算机视觉技能的发展，车辆车牌的主动检测和辨认成为了一个抢手的研究课题，也有许多老练的商业产品和开源项目。
我对车辆车牌检测和辨认的技能原理和运用场景很感爱好，想要经过实践来提高自己的图画处理和机器学习的才能，一起也想要探索一些新的办法和思路，处理一些实际问题。因此，我挑选了华为云的ModelArts渠道，运用其供给的数据处理、模型练习、模型办理和模型布置等全流程的支持，完结了一个对车辆车牌的方针检测模型。
在本博客中，我将具体介绍我运用ModelArts渠道的进程和经验，包含数据集的准备、模型的挑选和修正、练习的参数和成果、布置的办法和作用等，以及遇到的一些问题和处理方案。我希望能够经过本博客，与有爱好的读者分享和沟通，也欢迎大家提出宝贵的意见和主张。
前置作业
首要保证现已完结了华为云账号的开通与认证，并增加用户的访问密钥，以方便运用ModelArts。
数据集的准备
来自于中科大2018年开源的大型国内停车场车牌数据集CCPD（Chinese City Parking Dataset）弥补了上述车牌数据的缺陷，该车牌数据集图片收集自安徽省合肥市的各种大街路边停车场，每个收集员于各自担任的大街不分气候的从早上07:30一直作业到晚上22:00，每当开停车账单时就需求手持特别设备依据要求拍照前后车牌图片并进行车牌信息标示，从而在不可承认的拍照方位、拍照角度、拍照光照、拍照气候、拍照背景、拍照大街等束缚条件下保证了所获取车牌数据的多样性
自己从github上获取了该数据的2020新版
OBS桶及方针的创立
OBS是ModelArts供给的运用方针存储服务，目的是为了进行数据存储以及模型的备份和快照。本次试验在创立练习数据集之前，需求创立一个OBS桶，然后在OBS桶中创立文件夹用于存放练习文件。
OBS桶的创立
进入服务列表，找到存储服务项，点击方针存储服务OBS
登录OBS办理控制台，在桶列表页面右上角单击“创立桶”，创立OBS桶
填写参数：
• “区域”：华北-北京四，后续区域需求挑选和OBS桶共同。
• “桶称号”：创立桶称号“carlic-detect”，留意重名时能够增加后缀。
• “数据冗余存储策略”：多AZ存储
• “默许存储类型”：标准存储
其他运用默许值即可，承认无误后单击右下角“立即创立”。
OBS桶中方针的创立
在桶列表页面，单击桶称号，进入该桶的概览页面。单击概览页面的左边导航的“方针”，在“方针”页面单击新建文件夹，创立OBS文件夹。咱们在这里创立两个文件夹，一个用于数据集的输入，一个用于数据集的输出
数据集输入文件夹“carlic-input”
数据集输出文件夹“carlic-output”
ModelArts主动学习项目的创立
进入ModelArts主动学习版跨，创立物体检测的项目
创立物体检测项目的数据集
此刻发现咱们并没有数据集，所以需求创立数据集。此刻点击创立数据集
点击后有如下界面，其间各参数为：
• “数据集称号”：carlicense
• “数据类型”：图片
• “数据来源”：OBS
• “导入途径”：挑选之前创立OBS桶时创立的carlic-input文件夹
• “数据标示状况“：未标示
• “数据输出方位”：挑选之前创立OBS时创立的carlic-output文件夹
再点击右下角提交，数据集创立成功
此刻再填入物体检测项目的各个参数信息
• “称号”：carlicense-detect
• “数据集”：挑选刚刚创立好的数据集“carlicense”
• “输出途径”：挑选所创立OBS桶中的数据输出文件夹“carlic-output”
• “练习规格”：挑选限时免费的规格
然后点击右下角的创立项目
创立项目后得到如下界面：
数据的上传与标示
该界面显现咱们需求对实例进行标示，点击进入实例具体
数据上传
由于数据集是空的，所以该页面显现未查询到图片，此刻咱们点击增加数据
导入数据参数如下：
• “数据来源”：本地上传（因为下载的数据都在本地上，并没有上传至OBS中）
• “上传数据存储途径“：挑选之前创立的OBS桶中的数据输入文件夹“carlic-input”
• “数据标示状况“：未标示（数据集的所有数据均为未标示）
然后点击文件上传，将本地文件上传之所创立的OBS桶中的数据输入文件夹中
点击增加文件，上传本地的练习数据文件
上传完毕后咱们再点开OBS存储，发现此刻的输入文件夹现已有了所用的数据
可是此刻实力具体中并没有数据信息，此刻咱们需求点击数据源同步，将现已上传至OBS桶中的数据全部同步至数据会集
成果如下
数据标示
接下来要对该数据会集的数据进行数据标示
先进行手动标示
在进行20多各样例的标示后，咱们能够运用ModelArts所供给的工具：智能标示，即经过已标示的样例来主动学习，完结主动化标示
此刻咱们点击发动智能标示
参数挑选如下：
• “智能标示类型”：主动学习（系统主动运用半监督学习，难例筛选等多种手段来进行智能标示，降低人工标示量，协助用户找到难例）
• “算法类型”：精准型
• “计算结点规格”：恣意挑选即可
点击提交，得到如下界面
在智能标示完结后，咱们需求承认智能标示信息是否正确，以下为智能标示后需求待承认的界面
然后咱们点击进入具体承认界面
放大后检查该事例的智能标示状况
此图片中对与车牌的智能标示十分准确，可是这并不代表每一张图片都是十分准确的，在自己承认了多张图片的智能标示状况后发现一些常见的易过错标示的现象，过大的车标，车身与车牌相似的矩形广告贴，地表的一些与车牌十分相似的矩形牌号等。
过大的车标
车身矩形小广告-
地表的矩形牌号与车牌十分相似
在进行人工承认和改正后，得到终究的已标示所有的数据集
然后再进行对标示数据的快速复核，点击快速复核，得到如下界面，咱们发现其间有一些显着不是车标的标示信息
点击其间一个得到如下图片标示
说明在承认标示进程中呈现了纰漏，然后只需求对这些过错标示进行修正或许删去即可
进入作业流
在成功标示完数据后，咱们便能够进入workflow流中开端作业
首要是数据集版别发布
然后是数据校验
一起咱们能够检查后台的作业记载，跟进作业流的进展
然后就是模型的练习作业
模型练习
接下来是模型注册作业
模型布置
最后是模型布置作业
模型布置的参数挑选如下：
• “AI运用来源”：我的AI运用
• “资源池”：公共资源池
• “是否主动中止”：是，挑选在一小时后中止运转
其他参数坚持默许即可
在布置进程中咱们能够检查一些基本信息，一起盯梢布置状况事情：
在布置成功后，咱们能够检查布置成功的AI运用，布置的AI运用信息如下
一起在该AI运用状况改变为运转中后，咱们便能够开端进行咱们的车辆车牌方针辨认的实践了
成果检测
将图片上传至该AI运用进行方针检测，得到成果如下
发现检测的大致方位是正确的，可是精准度不高，所以再上传图片进行几回车牌的检测：
发先该模型的检测成果都是大致方位正确，可是不行准确，这说明该模型的精准度不行搞，还需求进一步改善。
关于呈现该问题的原因，我猜测可能有以下几个原因：
1、数据集问题
2、数据处理算法设计和完结问题
3、算法设计和完结问题
4、超参设置问题
5、环境问题
……
在后续的试验中，会对该模型进行进一步优化，推出新的模型版别和运用版别。
资源开释
到此，该实践已完结，接下来咱们需求对请求的各种资源进行开释
删去创立的在线服务
删去创立的主动学习项目
删去用于存储服务的OBS桶中的方针
开释资源到此完毕，本次实践到此完结。
实践总结
在这篇文章中，我介绍了怎么运用华为云技能ModelArts完结车辆车牌的方针辨认的实践，并布置上线服务的进程。我首要介绍了车牌方针检测的背景和意义，然后介绍了ModelArts的特色和优势，以及怎么运用ModelArts进行数据集的办理、模型的练习、评价和布置。我运用了CCPD数据集，这是一个包含了约30万张中国车牌图片的数据集，它依据图片的复杂度分为了八个类别。我运用了YOLOv5作为方针检测的模型，它是一个依据PyTorch的轻量级、高效的方针检测框架。我在ModelArts上进行了模型的练习和评价，得到了较高的精度和召回率。我还展示了怎么运用ModelArts的在线服务功用，将模型布置为一个可调用的API，完结了车牌的实时检测。
经过这次实践，我深刻地体会到了ModelArts的强大和便捷。ModelArts为我供给了一个一站式的端到端的机器学习渠道，让我能够在一个统一的界面上完结数据集的办理、模型的练习、评价和布置的全流程。ModelArts还供给了丰厚的预置算法和模型，以及高性能的计算资源和存储空间，让我能够快速地搭建和运转我的模型，节省了时间和成本。ModelArts的在线服务功用也让我能够轻松地将我的模型转化为一个可用的服务，完结了车牌方针检测的运用场景。我认为ModelArts是一个十分合适机器学习爱好者和开发者的渠道，它能够协助咱们完结更多的机器学习的创新和价值。
