本项目基于 YOLOv8 实现车牌检测与定位提供完整的训练流程与可视化桌面应用支持图片、视频、摄像头多种输入方式的实时检测。一、项目技术栈类别技术深度学习框架PyTorch、Ultralytics YOLOv8计算机视觉OpenCV桌面 UIPyQt6数据处理NumPy、Pandas可视化Matplotlib其他PyYAML、Pillow、EasyOCR二、数据集说明2.1 数据来源采用CCPD2020Chinese City Parking Dataset 2020数据集经 PASCAL VOC 格式整理后的CCPD2020-voc版本。2.2 图片种类与数量子集图像数量标注数量用途训练集 (train)5,7695,769模型训练验证集 (val)1,0011,001验证与早停测试集 (test)5,0065,006最终评估合计11,77611,776—2.3 图片内容格式JPG内容含车牌的完整场景图像车辆、道路等标注PASCAL VOC XML包含车牌边界框 (xmin, ymin, xmax, ymax)类别单类别plate车牌2.4 数据集结构CCPD2020-voc/ ├── train/ │ ├── Annotations/ # XML 标注 │ └── JPEGImages/ # 训练图像 ├── val/ │ ├── Annotations/ │ └── JPEGImages/ └── test/ ├── Annotations/ └── JPEGImages/训练前会将 VOC 格式转换为 YOLO 格式归一化坐标输出至dataset/目录。三、训练过程与参数3.1 训练流程数据准备从CCPD2020-voc读取 VOC 标注转换为 YOLO 格式配置生成生成dataset/data.yaml路径、类别等模型训练使用 YOLOv8n 预训练权重进行微调3.2 主要训练参数参数取值说明模型YOLOv8n轻量级 backboneEpochs100训练轮数Batch size16每批样本数图像尺寸640×640输入分辨率Patience50早停耐心值设备0GPU 编号Workers4数据加载线程数3.3 运行训练python train.py训练完成后最佳权重保存在runs/train/license_plate_detection/weights/best.pt。四、可视化图表含义训练结果可视化脚本visualize_training.py基于results.csv生成以下图表4.1 损失曲线 (loss_curves.png)子图含义Box Loss边界框回归损失衡量预测框与真实框的偏差Classification Loss分类损失衡量类别预测的准确性DFL Loss分布焦点损失用于边界框的分布建模每条曲线包含 Train训练集与 Val验证集用于判断过拟合与收敛情况。4.2 评估指标曲线 (metrics_curves.png)指标含义Precision精确率预测为正例中实际为正例的比例Recall召回率实际正例中被正确预测的比例mAP50IoU0.5 时的平均精度均值mAP50-95IoU 从 0.5 到 0.95 步长 0.05 的 mAP 均值综合评估指标图中会标注最佳 Epoch 及对应 mAP50-95 值。4.3 学习率曲线 (learning_rate.png)展示训练过程中学习率随 Epoch 的变化用于检查学习率调度是否合理。4.4 综合汇总图 (training_summary.png)2×2 子图包含总损失、核心指标、训练损失分解、累计训练时间。4.5 mAP 对比图 (mAP_comparison.png)对比 mAP50 与 mAP50-95 随 Epoch 的变化并标注最佳 Epoch。4.6 运行可视化python visualize_training.py图表输出至runs/detect/runs/train/license_plate_detection/目录。五、系统功能5.1 登录与注册本地用户管理支持注册与登录用户数据存储在local_data/users.json5.2 图片识别打开本地图片进行检测左侧预览原图与检测结果右侧展示统计与明细支持导出结果图、导出 CSV统计卡片目标总数、类别数、平均置信度、最高置信度类别分布表、详细数据表序号、类别、置信度、坐标、面积5.3 视频识别打开本地视频文件支持按帧间隔检测默认每 2 帧实时显示检测结果与累计统计支持导出当前帧5.4 摄像头识别实时摄像头画面检测可切换摄像头索引、检测开关支持截图保存显示当前帧与累计统计5.5 历史记录只读查询所有检测记录支持按类型图片/视频/摄像头筛选、关键词搜索支持导出历史 CSV5.6 模型选择默认使用runs/detect/runs/train/license_plate_detection/weights/best.pt支持浏览并加载自定义.pt模型可配置置信度阈值、IoU 阈值、最大检测数5.7 指标展示训练曲线损失、P/R、mAP、学习率指标汇总mAP50、mAP50-95、Precision、Recall 等统计卡片及条形图、雷达图可视化图表mAP 对比、总损失曲线等六、项目结构c90/ ├── app.py # 桌面应用入口 ├── train.py # 训练脚本 ├── visualize_training.py # 训练结果可视化 ├── requirements.txt # 依赖列表 ├── dataset/ # 转换后的 YOLO 数据集 │ ├── data.yaml │ ├── images/ │ │ ├── train/ │ │ ├── val/ │ │ └── test/ │ └── labels/ │ ├── train/ │ ├── val/ │ └── test/ ├── ui_app/ # 桌面应用模块 │ ├── config.py # 路径与常量配置 │ ├── storage.py # 用户、历史、设置存储 │ ├── styles.py # QSS 样式 │ ├── detector.py # YOLO 检测封装 │ ├── login_window.py # 登录/注册窗口 │ ├── main_window.py # 主窗口导航页面堆栈 │ └── pages/ # 功能页面 │ ├── image_page.py # 图片识别 │ ├── video_page.py # 视频识别 │ ├── camera_page.py # 摄像头识别 │ ├── history_page.py# 历史记录 │ ├── model_page.py # 模型选择 │ ├── metrics_page.py# 指标展示 │ └── common.py # 公共组件 ├── local_data/ # 本地数据用户、历史、设置 ├── runs/ # 训练输出与权重 │ └── detect/runs/train/license_plate_detection/ │ ├── weights/ │ │ └── best.pt │ ├── results.csv │ └── args.yaml └── 数据集结构说明.md # 数据集说明文档七、运行说明7.1 环境要求Python 3.9建议使用 GPUCUDA以加速训练与推理7.2 安装依赖pip install -r requirements.txt7.3 启动桌面应用python app.py默认账号admin/123456。7.4 数据准备将CCPD2020-voc数据集置于项目根目录结构与数据集结构说明.md一致。运行train.py时会自动完成 VOC→YOLO 转换。八、作者与开发信息作者Jay定制联系vx Jay8059开发日期2026 年