手把手教你使用 YOLOv11/v8 算法 + PaddleOCR 算法完成车牌检测和车牌识别系统，AI智能体，毛玻璃系统，包括PaddlePaddle安装、数据集预处理、模型训练、AI大模型应用等

优质文章学习记录

— 7 min read
手把手教你使用 YOLOv11/v8 算法 + PaddleOCR 算法完成车牌检测和车牌识别系统，AI智能体，毛玻璃系统，包括PaddlePaddle安装、数据集预处理、模型训练、AI大模型应用等
在这里插入图片描述

前言

车牌识别系统是智能交通、安防监控等领域的关键技术，结合深度学习方法可提升识别模型准确率。本文基于YOLOv11/v8 目标检测模型与PaddleOCR 文本识别模型结合，实现端到端的车牌定位与字符识别。之前出过一期基于YOLOv11+CNN 车牌识别系统，链接如下：

由于 YOLOv11+CNN 车牌识别系统对倾斜角度较大和模糊的图片识别效果不佳、识别车牌单一、界面功能和样式单一等问题，本期将进行升级，本期整合了 YOLOv8/YOLOv11 + PaddleOCR + PySIde6 搭建一个车牌识别系统，有用户端系统+后台管理系统。技术路线如下：

  1. 先利用YOLOv8/YOLOv11 算法定位车牌位置
  2. 把检测到车牌输入到PaddleOCR 网络进行字符识别，整个过程一气呵成，只需训练 YOLOv8/YOLOv11 车牌检测模型即可，如果有时间也可以训练自己的 PaddleOCR 车牌字符识别模型。
  3. 最后就是模型可视化与应用，采用PySIde6搭建用户端系统+后台管理系统，用户端系统采用透明毛玻璃效果，用户端实现图片、视频、摄像头识别等功能，后端实现用户管理、历史记录模块等。
  4. 语音交互，实现 AI 助手实时语音输入，并实现 AI 智能操作体，可以让 AI 上传文件进行检测、修改个人信息包括修改头像和用户昵称。

这里先介绍 PaddleOCR 框架，2025 年 5 月 20 日，飞桨团队发布 PaddleOCR 3.0，全面适配飞桨框架 3.0 正式版，可以说该模型越来越牛逼了，这里给飞桨团队点个大大的赞👍👍👍。更多细节参考官网文档：PaddleOCR 文档，对于车牌识别任务也不是很复杂，那么本文将采用PaddleOCR 2.8.0 版本。对于 YOLOv11/v8 这里就不介绍了，之前出过很多期文章，在我主页看之前发过的文章即可。接下来开始带大家使用YOLOv11/v8算法 + PaddleOCR算法完成车牌检测和车牌识别系统。用户端系统使用毛玻璃效果，车牌识别系统支持 蓝牌、绿牌、黄牌、双层车牌等车牌识别。系统演示效果如下：

模块界面演示
登录与注册在这里插入图片描述
界面演示在这里插入图片描述
AI 智能操作 演示在这里插入图片描述
新能源车牌识别在这里插入图片描述
蓝色车牌识别在这里插入图片描述
其他颜色车牌在这里插入图片描述
黄色车牌识别在这里插入图片描述
双层车牌识别在这里插入图片描述
官网模型开启双层车牌分割在这里插入图片描述
历史记录模块在这里插入图片描述
用户个人中心模块在这里插入图片描述
后台-首页在这里插入图片描述
后台-用户管理模块在这里插入图片描述
后台历史记录模块在这里插入图片描述
  • 🧑‍💻 用户端功能
    • 🔑 登录与注册
      • ✅ 账号密码登录
      • ✅ 登录状态保持
      • ✅ 登录失败提示
      • ✅ 新用户注册
      • ✅ 密码校验
      • ❌ 邮箱验证码验证（暂未支持）
      • ❌ 记住密码与忘记密码（暂未支持）
    • 📝 历史记录
      • ✅ 检测结果查看，支持搜索
      • ✅ 删除与批量删除
    • 📥 输入与输出
      • ✅ 图片推理/视频文件推理/摄像头实时推理
      • ✅ 检测结果展示与保存
    • 💾 系统设置
      • ✅ 置信度、IoU、线宽设置
      • ✅ 是否 开启目标追踪/轨迹绘制/生成标注文件/保存检测结果
      • ✅ 类别过滤
    • 🔍 任务类型支持
      • ✅ 目标检测/分割/关键点/旋转框检测
      • ✅ 目标检测追踪/分割目标追踪/关键点目标追踪/旋转框目标追踪
      • ❌ 分类任务目标追踪
    • 📝 个人中心模块
      • ✅ 昵称修改与头像修改
      • ✅ 密码修改
    • 📝 通用模板
      • ✅ 修改标题
      • ✅ 自定义界面
    • 🎯 AI 客服
      • ✅ deepseek API 接口客服
      • ✅ AI 控制软件界面
  • 👨‍💼 管理端功能
    • 🏗️ 管理员个人中心
      • ✅ 昵称修改与头像修改
      • ✅ 密码修改
    • 👥 用户与权限
      • ✅ 创建/编辑/删除用户账号
      • ❌ 查看用户操作日志
    • 📁 数据管理
      • ⏳ 浏览用户的历史检测数据
      • ⏳ 清理推理结果
      • ❌ 数据审核

文章目录

🎓一、环境安装

🀄️🀄️PyCharm实用小技巧

技巧1：终端设置

在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述


在这里插入图片描述

📗📗环境配置（无需安装环境版）

运行环境：

Read more

网站封IP太频繁？用Playwright这3招轻松绕过机器人验证，99%有效

第一章：Playwright绕过机器人检测的核心原理 Playwright 作为现代化的浏览器自动化工具，能够在不触发网站反爬机制的前提下模拟真实用户行为。其核心在于对浏览器指纹的精细化控制与环境特征的伪装，从而有效绕过基于 JavaScript 检测、行为分析和设备特征识别的机器人防御体系。 浏览器指纹伪装 网站常通过读取 navigator 属性、WebGL 渲染指纹、Canvas 绘图特征等手段识别自动化环境。Playwright 允许在启动上下文时自定义这些属性，使其与真实用户一致： const context = await browser.newContext({ userAgent: 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36', viewport: { width: 1920, height: 1080 }, javaEnabled: false, locale: '
积木报表快速入门指南：零基础轻松上手数据可视化【低代码报表设计器】

积木报表快速入门指南：零基础轻松上手数据可视化【低代码报表设计器】

文章目录 * 前言 * 一、积木报表简介 * 二、环境准备 * 1. 下载积木报表 * 2. 运行环境要求 * 3. 快速启动（以Docker方式为例） * 三、第一个报表创建实战 * 1. 登录系统 * 2. 选择数据源 * 3. 设计报表 * 四、进阶功能快速上手 * 1. 图表集成 * 2. 参数传递 * 3. 分组与汇总 * 4. 导出与打印 * 五、实用技巧与最佳实践 * 1. 性能优化： * 2. 模板复用： * 3. 移动端适配： * 4. 定时任务： * 六、常见问题解答 * Q1：积木报表支持哪些数据库？ * Q2：如何实现复杂的中国式报表？ * Q3：能否集成到自己的系统中？ * Q4：
FASTLIVO2算法解析与实战（一）：SLAM领域的新标杆，如何让机器人“看得更清、跑得更稳”

FASTLIVO2算法解析与实战（一）：SLAM领域的新标杆，如何让机器人“看得更清、跑得更稳”

FASTLIVO2系统概述 1. 背景介绍 1.1 传感器特性 FASTLIVO2 系统融合了三种互补的传感器：激光雷达（LiDAR）、相机（Camera）和惯性测量单元（IMU）。它们在感知方式、输出数据和环境适应性上各具特点，通过融合实现优势互补。 特性激光雷达（LiDAR）相机（Camera）IMU工作方式主动发射激光，通过反射测量距离和方位被动接收环境光，捕捉 2D 图像信息主动测量自身运动感知内容环境几何结构（深度、形状、表面）环境纹理与颜色（语义、细节、动态物体）自身运动状态（姿态、速度、加速度）数据输出3D 点云（精确深度）2D 像素矩阵（RGB 或灰度）6 自由度运动参数优势- 直接深度测量，精度高- 不受光照影响- 在结构化环境中鲁棒-
Webots 2025a + ROS 2 Jazzy e-puck 机器人教程

Webots 2025a + ROS 2 Jazzy e-puck 机器人教程

Webots 2025a + ROS 2 Jazzy e-puck 机器人分步使用与研究教程 本教程跳过环境安装环节，聚焦实操步骤和深度研究维度，从基础仿真启动到核心模块拆解，每一步都标注操作指令、验证方法和研究切入点，帮助你彻底掌握 e-puck 机器人的 ROS 2 集成使用。 前提确认 先执行以下命令验证环境就绪（确保无报错）： bash 运行 # 加载ROS 2环境（若已添加到.bashrc可跳过） source ~/webots_ws/install/setup.bash # 验证功能包存在 ros2 pkg list | grep webots_ros2_epuck # 验证Webots版本 webots --version # 输出应包含2025a webots --version webots --version webots