编写readme

README.md

@@ -6,12 +6,13 @@ LPR是一个基于深度学习技术的车牌识别模型，主要识别目标
 模型采用LPRNet，模型结构主要包含三部分：一个轻量级CNN主干网络、基于预定位置的字符分类头部、基于贪婪算法的序列解码。此外模型使用CTC Loss和RMSprop优化器。
 
 ## 数据集
-推荐使用一个车牌数据集[CCPD](https://github.com/detectRecog/CCPD "CCPD介绍")
+推荐使用一个车牌数据集[CCPD](https://github.com/detectRecog/CCPD "CCPD官网GITHub")，也可参考[CCPD](https://blog.csdn.net/LuohenYJ/article/details/117752120 "CCPD中文版介绍")，该数据集由中科大收集，可用于车牌的检测与识别。我们提供了一个脚本cut_ccpd.py用于剪裁出CCPD数据集中的车牌位置，以便用于LPR模型的训练，在cut_ccpd.py中修改img_path和save_path即可，分别是CCPD数据集中ccpd_base文件夹的路径和剪裁出的图像保存路径。
+
+## 训练及推理
 导出onnx模型：
 python test.py --export_onnx true
 
 推理onnx模型：
 python LPRNet_ORT_infer.py
-## 训练及推理
 ## 性能和准确率数据
 ## 参考
\ No newline at end of file

cut_ccpd.py

+# -*- coding: utf-8 -*-
+# @Author: liuhy
+# @Email: 17603873430@163.com
+# @Date:   2023-02-28 15:14:13
+# @Last Modified time: 2023-03-01 17:52:20
+# coding:utf-8
+import os
+import cv2
+import time
+
+provinces = ['皖', '沪', '津', '渝', '冀', '晋', '蒙', '辽', '吉', '黑', '苏', '浙', '京', '闽', '赣', '鲁', '豫', '鄂', '湘', '粤', '桂', '琼', '川', '贵', '云', '藏', '陕', '甘', '青', '宁', '新', '警', '学', 'O']
+alphabets = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W','X', 'Y', 'Z', 'O']
+ads = ['A', 'B', 'C', 'D', 'E', 'F', 'G', 'H', 'J', 'K', 'L', 'M', 'N', 'P', 'Q', 'R', 'S', 'T', 'U', 'V', 'W', 'X','Y', 'Z', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'O']
+
+def cut_img(img_path, save_path):
+    images = os.listdir(img_path)
+    for i, image in enumerate(images):
+        try:
+            print('\b\b\b\b\b\b\b\b\b\b\b\b\b\b\b\b\b\b\bProcessing:%s'%i, end='',flush=True)
+            img = cv2.imread(os.path.join('ccpd_base', image))
+            info = image.split('-')
+            r1, r2, l1, l2 = info[3].split('_')
+            rx1, ry1 = r1.split('&')
+            lx1, ly1 = l1.split('&')
+            im = img[int(ly1):int(ry1), int(lx1):int(rx1)]
+
+            label_index = info[4].split('_')
+            label = provinces[int(label_index[0])]
+            label += alphabets[int(label_index[1])]
+
+            if label_index[2].isalnum():
+                label += ads[int(label_index[2])]
+            else:
+                label += alphabets[int(label_index[2])]
+            label += ads[int(label_index[3])]
+            label += ads[int(label_index[4])]
+            label += ads[int(label_index[5])]
+            label += ads[int(label_index[6])]
+
+            im = cv2.resize(im, (94, 24))
+            if os.path.exists(save_path) is False:
+                os.mkdir(save_path)
+            cv2.imencode('.jpg', im)[1].tofile(save_path + '/' + label + '.jpg')
+        except Exception as e:
+            print('wrong image:', image)
+
+if __name__=='__main__':
+    img_path = 'CCPD/ccpd_base'
+    save_path = 'CCPD/lp_base'
+    cut_img(img_path, save_path)
+

lprnet.py

@@ -80,7 +80,6 @@ class my_lprnet(nn.Module):
         logits = torch.cat((out1, out2, out3, out4), 1)
         logits = self.container(logits)
         logits = torch.mean(logits, dim=2)
-        # logits = logits.view(self.class_num, -1)
         return logits
 
 def build_lprnet(class_num, phase=False):