YOLO 训练车牌定位模型 + OpenCV C++ 部署完整步骤

YOLO 训练车牌定位模型 + OpenCV C++ 部署完整步骤

一、前期准备（核心工具 / 环境）

1. 硬件：GTX 1060 及以上显卡（显存≥6G），避免训练卡顿
2. 软件：
   • 训练端：Windows/Linux + Python 3.8~3.10 + PyTorch 1.10~2.0 + YOLOv8（ultralytics 库，适配性最优）
   • 部署端：Windows + VS2019/2022 + OpenCV 4.5~4.8（需带 DNN 模块，默认编译已包含）
3. 数据集：标注好的车牌数据集（格式为 YOLO txt，含 train/val 集，比例 8:2）

二、步骤 1：车牌数据集制作 / 整理（关键：标注精准 + 场景全覆盖）

1. 数据集收集

• 来源：网络公开车牌数据集（如 CCPD、CALTech）+ 实拍图（多角度、逆光、雨雾、遮挡、不同车牌颜色），总量≥1000 张（越多精度越高，建议 2000+）
• 规格：统一缩放至 640×640（适配 YOLO 默认输入，减少训练失真）

2. 标注（用 LabelImg，简单易操作）

1. 安装 LabelImg：pip install labelImg，终端输入labelImg启动
2. 标注设置：
   • 点击「Change Save Dir」选标注文件保存路径
   • 顶部「View」勾选「Auto Save mode」「YOLO」，切换为 YOLO 标注格式
3. 标注流程：
   • 打开图片文件夹，框选车牌区域，标签名统一为「plate」（仅 1 类，简化模型）
   • 标注后自动生成 txt 文件（与图片同名），txt 内容格式：0 x1 y1 x2 y2（0 为 plate 类别 ID，坐标为归一化后值，无需手动换算）

3. 数据集目录结构（严格按 YOLO 要求）

plaintext

plate_dataset/ ├─ images/ # 所有图片 │ ├─ train/ # 训练集图片（80%） │ └─ val/ # 验证集图片（20%） └─ labels/ # 所有标注txt ├─ train/ # 训练集标注（对应images/train） └─ val/ # 验证集标注（对应images/val） 

4. 生成数据集配置文件（plate.yaml）

新建 txt 改名为plate.yaml，内容如下（路径填自己的数据集绝对路径）：

yaml

# 数据集路径 path: D:/plate_dataset # 数据集根目录 train: images/train # 训练集图片路径（相对path） val: images/val # 验证集图片路径（相对path） # 类别 names: 0: plate # 仅车牌1类，ID=0 

三、步骤 2：YOLOv8 训练车牌定位模型

1. 安装 YOLOv8 库

终端执行：pip install ultralytics（自动适配 PyTorch 环境）

2. 启动训练（单类定位，参数精简高效）

新建train_plate.py，代码如下（直接运行，无需改太多参数）：

python

运行

from ultralytics import YOLO # 1. 加载预训练模型（用yolov8n.pt，轻量化，适配C++部署） model = YOLO('yolov8n.pt') # 2. 训练配置（核心参数，按需微调） results = model.train( data='D:/plate_dataset/plate.yaml', # 数据集配置文件路径 epochs=50, # 训练轮数（1000张图50轮足够，多了易过拟合） batch=8, # 批次大小（显卡显存6G设8，8G设16） imgsz=640, # 输入图片尺寸 lr0=0.01, # 初始学习率 classes=[0], # 仅训练第0类（plate） save=True, # 保存模型 device=0, # 用GPU训练（0为GPU编号，CPU填cpu） patience=10 # 10轮精度无提升停止训练，防过拟合 ) 

3. 训练完成后取模型

训练结束后，在runs/detect/train/weights/目录下，取best.pt（最优精度模型），后续转 ONNX 格式供 C++ 调用。

四、步骤 3：将 YOLOv8.pt 模型转 ONNX 格式（OpenCV DNN 支持）

YOLO 原生 pt 模型 OpenCV 不兼容，需转 ONNX（通用格式，DNN 模块可直接加载）

1. 模型转换

新建pt2onnx.py，代码如下：

python

运行

from ultralytics import YOLO # 加载最优模型 model = YOLO('runs/detect/train/weights/best.pt') # 转ONNX，简化模型（opset=12适配OpenCV 4.5+） model.export(format='onnx', opset=12, simplify=True) 

运行后，在best.pt同目录下生成best.onnx，即部署用模型。

2. 提取类别名（可选，用于显示标签）

新建class_names.txt，仅写 1 行：plate（与训练时标签一致）

五、步骤 4：OpenCV C++ 部署 YOLOv8 ONNX 模型（核心代码，可直接跑）

1. VS 项目配置（关键：关联 OpenCV）

1. 新建 VS 控制台项目（空项目，x64 Debug/Release）
2. 配置属性（右键项目→属性→配置属性）：
   • 包含目录：添加 OpenCV 安装目录下include和include/opencv2（如D:/opencv4.6/build/include）
   • 库目录：添加 OpenCVx64/vc16/lib（如D:/opencv4.6/build/x64/vc16/lib）
   • 链接器→输入→附加依赖项：
     • Debug 模式：opencv_world460d.lib（460 对应 OpenCV 版本，改自己的）
     • Release 模式：opencv_world460.lib
3. 复制 OpenCV 动态库到项目 exe 目录：
   • 把opencv/build/x64/vc16/bin下的opencv_world460d.dll（Debug）/opencv_world460.dll（Release），粘贴到 VS 项目x64/Debug或x64/Release目录（与 exe 同路径）

2. 核心 C++ 代码（完整可运行，含预处理 + 推理 + 后处理）

新建main.cpp，代码如下（注释详细，直接替换模型 / 图片路径即可）：

cpp

运行

#include <opencv2/opencv.hpp> #include <opencv2/dnn.hpp> #include <iostream> #include <vector> #include <string> using namespace cv; using namespace cv::dnn; using namespace std; // YOLOv8配置参数（需根据自己模型微调） const float CONF_THRESH = 0.5f; // 置信度阈值（低于0.5过滤） const float NMS_THRESH = 0.4f; // NMS阈值（去重重叠框） const int INPUT_W = 640; // 输入宽 const int INPUT_H = 640; // 输入高 const string MODEL_PATH = "D:/best.onnx"; // ONNX模型路径 const string CLASS_PATH = "D:/class_names.txt"; // 类别名路径 // 读取类别名 vector<string> readClassNames(const string& path) { vector<string> classes; ifstream file(path); string line; while (getline(file, line)) { classes.push_back(line); } return classes; } // YOLOv8推理+后处理（解析结果，画框） void yoloDetect(Mat& img, Net& net, vector<string>& classes) { int img_w = img.cols; int img_h = img.rows; // 1. 图像预处理（归一化+转Blob，YOLOv8输入格式：RGB、0-1归一化） Mat blob; blobFromImage(img, blob, 1.0 / 255.0, Size(INPUT_W, INPUT_H), Scalar(0, 0, 0), true, false); net.setInput(blob); // 2. 模型推理（YOLOv8输出层名固定为"output0"） Mat outputs = net.forward("output0"); // outputs尺寸：1×8400×6（8400个预测框，6=xywh+conf+class_id） // 3. 结果解析（过滤低置信度，提取有效框） vector<int> class_ids; // 类别ID vector<float> confs; // 置信度 vector<Rect> boxes; // 检测框（像素坐标） float* data = (float*)outputs.data; int num_boxes = outputs.size[1]; // 8400个预测框 for (int i = 0; i < num_boxes; i++) { float conf = data[4]; // 置信度（当前框是目标的概率） if (conf < CONF_THRESH) continue; // 提取类别ID（取最大概率对应的类别） float max_class_conf = 0; int class_id = 0; for (int j = 5; j < 6; j++) { // 仅1类（plate），j从5到5（6-1） float class_conf = data[j]; if (class_conf > max_class_conf) { max_class_conf = class_conf; class_id = j - 5; // 类别ID=0 } } // 计算检测框像素坐标（YOLO输出为归一化xywh，转像素xyxy） float cx = data[0] * img_w; // 框中心x float cy = data[1] * img_h; // 框中心y float w = data[2] * img_w; // 框宽 float h = data[3] * img_h; // 框高 int x1 = max(0, int(cx - w / 2)); // 框左上角x int y1 = max(0, int(cy - h / 2)); // 框左上角y int x2 = min(img_w - 1, int(cx + w / 2)); // 框右下角x int y2 = min(img_h - 1, int(cy + h / 2)); // 框右下角y // 保存结果 class_ids.push_back(class_id); confs.push_back(conf * max_class_conf); // 最终置信度=目标置信度×类别置信度 boxes.push_back(Rect(x1, y1, x2 - x1, y2 - y1)); // 移动到下一个预测框（每框6个参数） data += 6; } // 4. NMS非极大值抑制（去重重叠框） vector<int> indices; NMSBoxes(boxes, confs, CONF_THRESH, NMS_THRESH, indices); // 5. 画框+显示结果 Scalar color(0, 255, 0); // 绿色框 for (int idx : indices) { Rect box = boxes[idx]; int class_id = class_ids[idx]; float conf = confs[idx]; // 画检测框 rectangle(img, box, color, 2, 8); // 显示标签+置信度 string label = classes[class_id] + ":" + format("%.2f", conf); int label_h = 25; Rect label_rect(box.x, box.y - label_h, box.width, label_h); rectangle(img, label_rect, color, -1); // 标签背景 putText(img, label, Point(box.x + 5, box.y - 5), FONT_HERSHEY_SIMPLEX, 0.6, Scalar(255, 255, 255), 1); } } int main() { // 1. 加载ONNX模型和类别名 Net net = readNetFromONNX(MODEL_PATH); vector<string> classes = readClassNames(CLASS_PATH); if (net.empty() || classes.empty()) { cout << "模型或类别名加载失败！" << endl; return -1; } // 启用GPU加速（有GPU必开，速度提升10倍+） net.setPreferableBackend(DNN_BACKEND_CUDA); net.setPreferableTarget(DNN_TARGET_CUDA); // 2. 读取图片/视频（二选一，按需切换） // 方式1：图片检测 Mat img = imread("D:/test_plate.jpg"); // 测试图片路径 if (img.empty()) { cout << "图片读取失败！" << endl; return -1; } yoloDetect(img, net, classes); imshow("Plate Detection", img); waitKey(0); // 按任意键关闭窗口 // 方式2：视频/摄像头检测（注释图片检测，打开下方代码） // VideoCapture cap(0); // 0=电脑摄像头，也可填视频路径（如"D:/test.mp4"） // if (!cap.isOpened()) { // cout << "摄像头/视频打开失败！" << endl; // return -1; // } // Mat frame; // while (cap.read(frame)) { // yoloDetect(frame, net, classes); // imshow("Plate Detection", frame); // if (waitKey(1) == 27) break; // ESC键退出 // } // cap.release(); destroyAllWindows(); return 0; } 

3. 运行测试

1. 替换代码中MODEL_PATH（best.onnx 路径）、CLASS_PATH（class_names.txt 路径）、test_plate.jpg（测试图路径）
2. 选择 x64 Debug/Release 模式，点击运行，即可看到车牌定位结果（绿色框 + plate 标签 + 置信度）

六、常见问题排查

1. 模型加载失败：检查 ONNX 路径是否正确，OpenCV 版本是否≥4.5，opset 是否为 12
2. 无检测结果：置信度阈值设太低（可降为 0.3），数据集场景与测试图差异大，训练轮数不足
3. 速度慢：未启用 GPU 加速（确认 VS 配置 CUDA，代码中已加setPreferableBackend/Target）
4. 框不准：标注框未紧贴车牌，数据集不足，可增加训练轮数或扩充数据