当前位置：首页 > news >正文

带标注的中国车牌识别数据集，可识别车牌中的地区和车牌号码数据集，识别率81.34%，970张图，支持yolo，coco json，voc xml,文末有模型训练代码

news 2026/5/14 2:18:35

注意，数据集中有部分模糊图，本质是给模型做「数据增强、抗干扰、泛化能力训练」，不是垃圾数据，反而能大幅提升实战效果。

应用场景：
1. 识别车辆车牌号
2. 识别车牌有无遮挡（识别不到字符OCR或者缺少车牌字母数，置信度过低都可以作为依据）
3. 识别车牌所属地区

模型训练指标参数：

模型训练图：

数据集拆分

总图数：970 张图数
训练集

848 张图

验证集

81 张图

测试集

41 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

无

数据集标签：

[‘0’, ‘1’, ‘2’, ‘3’, ‘4’, ‘5’, ‘6’, ‘7’, ‘8’, ‘9’, ‘GAN2’, ‘SHAN’, ‘QIONG’, ‘HEI’, ‘V’, ‘WAN’, ‘QING’, ‘CUAN’, ‘MENG’, ‘LIAO’, ‘YUN’, ‘MIN’, ‘XING’, ‘JIN2’, ‘HU’, ‘GAN’, ‘YU2’, ‘E1’, ‘JI’, ‘JING’, ‘XIANG’, ‘SU’, ‘LU’, ‘GUI2’, ‘JIN’, ‘YI’, ‘W’, ‘YU’, ‘ZHE’, ‘GUI’, ‘T’, ‘R’, ‘J’, ‘H’, ‘YUE’, ‘Y’, ‘N’, ‘P’, ‘Q’, ‘K’, ‘Z’, ‘F’, ‘U’, ‘C’, ‘G’, ‘L’, ‘S’, ‘B’, ‘E’, ‘X’, ‘TONG’, ‘A’, ‘M’, ‘D’]

标签解释数字0-9代表车牌里的0-9，A-Z代表车牌里的字母A-Z
GAN2 代表甘
GAN 代表赣
SHAN 代表陕
QIONG 代表琼
HEI 代表黑
WAN 代表皖
QING 代表青
CUAN 代表川
MENG 代表蒙
LIAO 代表辽
YUN 代表。云
MIN 代表闽
XING 代表新
JIN 晋
JIN2 津
HU 代表沪
YU2 代表渝
E1。鄂
JI。吉
YI 翼
YU 豫
JING 京
XIANG 湘
SU。苏
LU 鲁
YUE 粤
TONG 潼
ZHE。浙
GUI 桂
GUI2 贵

数据集图片和标注信息示例：

在这里插入图片描述

数据集下载：

yolo26:https://download.csdn.net/download/pbymw8iwm/92868573

yolo v12: https://download.csdn.net/download/pbymw8iwm/92868581

yolo v11:https://download.csdn.net/download/pbymw8iwm/92868579

yolo v9:https://download.csdn.net/download/pbymw8iwm/92868576

yolo v8:https://download.csdn.net/download/pbymw8iwm/92868574

yolo v7:https://download.csdn.net/download/pbymw8iwm/92868575

coco json:https://download.csdn.net/download/pbymw8iwm/92868577

pascal voc xml: https://download.csdn.net/download/pbymw8iwm/92868580

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

模型下载：
https://download.csdn.net/download/pbymw8iwm/92868531

模型验证测试情况：

验证测试代码：

#需要安装pip install ultralyticsfromultralyticsimportYOLOimportcv2# ===================== 1. 加载YOLO模型 =====================# 自动下载预训练模型(yolov8n最轻量快速)，也可换 yolov8s/m/l/xmodel=YOLO("best.pt")# ===================== 2. 推理配置 =====================image_path="326_jpg.rf.8ad64cc0668df32c4e5f59b50e899e9c.jpg"# 你的图片路径save_result=True# 是否保存标注后的图片# ===================== 3. 执行推理 =====================results=model.predict(source=image_path,conf=0.01,# 置信度阈值（低于该值忽略）save=False,# 关闭默认保存，自定义保存verbose=False# 关闭冗余日志)# ===================== 4. 解析结果：目标区域 + 标注信息 =====================print("="*50)print("YOLO 推理结果（目标区域 + 标注信息）")print("="*50)# 获取图片（用于绘制框）img=cv2.imread(image_path)# 遍历所有检测目标foridx,resultinenumerate(results):boxes=result.boxes# 所有检测框forboxinboxes:# ========== 提取目标区域（坐标） ==========# xyxy: 左上角x, 左上角y, 右下角x, 右下角yx1,y1,x2,y2=box.xyxy[0].cpu().numpy()# 宽高w=x2-x1 h=y2-y1# ========== 提取标注信息 ==========cls_id=int(box.cls[0])# 类别IDcls_name=model.names[cls_id]# 类别名称conf=float(box.conf[0])# 置信度# ========== 打印信息 ==========print(f"目标{idx+1}:")print(f" 标注类别：{cls_name}")print(f" 置信度：{conf:.2f}")print(f" 目标区域坐标：")print(f" 左上角 ({x1:.1f},{y1:.1f})")print(f" 右下角 ({x2:.1f},{y2:.1f})")print(f" 宽×高：{w:.1f}×{h:.1f}")print("-"*30)# ========== 在图片上绘制检测框 ==========cv2.rectangle(img,(int(x1),int(y1)),(int(x2),int(y2)),(0,255,0),2)cv2.putText(img,f"{cls_name}{conf:.2f}",(int(x1),int(y1)-10),cv2.FONT_HERSHEY_SIMPLEX,0.5,(0,255,0),2)# ===================== 5. 保存/显示结果 =====================ifsave_result:cv2.imwrite("yolo_result.jpg",img)print("✅ 标注图片已保存为：yolo_result.jpg")# 显示图片（可选）cv2.imshow("YOLO Result",img)#cv2.waitKey(0)#cv2.destroyAllWindows()

推理结果：

==================================================YOLO 推理结果（目标区域 + 标注信息）==================================================目标1: 标注类别：3 置信度：0.96 目标区域坐标： 左上角(300.3,37.6)右下角(352.9,170.0)宽×高：52.6 ×132.4------------------------------ 目标1: 标注类别：YU 置信度：0.94 目标区域坐标： 左上角(8.3,32.4)右下角(66.8,173.1)宽×高：58.5 ×140.6------------------------------ 目标1: 标注类别：5 置信度：0.92 目标区域坐标： 左上角(420.1,37.3)右下角(471.3,164.5)宽×高：51.2 ×127.2------------------------------ 目标1: 标注类别：4 置信度：0.92 目标区域坐标： 左上角(362.0,37.9)右下角(410.3,165.6)宽×高：48.3 ×127.7------------------------------ 目标1: 标注类别：A 置信度：0.91 目标区域坐标： 左上角(78.7,35.8)右下角(131.1,174.7)宽×高：52.4 ×138.9------------------------------ 目标1: 标注类别：2 置信度：0.83 目标区域坐标： 左上角(237.5,38.3)右下角(290.8,171.8)宽×高：53.2 ×133.6------------------------------ 目标1: 标注类别：1 置信度：0.64 目标区域坐标： 左上角(191.8,37.7)右下角(206.8,172.8)宽×高：15.0 ×135.1------------------------------ 目标1: 标注类别：K 置信度：0.01 目标区域坐标： 左上角(190.9,38.8)右下角(206.3,173.6)宽×高：15.4 ×134.8------------------------------ ✅ 标注图片已保存为：yolo_result.jpg