Présentation du Système

Ce projet open source est conçu pour la détection efficace et la reconnaissance de plaques d'immatriculation chinoises, basé sur le framework YOLOv5. Il prend en charge plus de 12 types de plaques, y compris les plaques bleues à une ligne, les plaques jaunes, les plaques de véhicules à énergie nouvelle, et les plaques à double couche. Adapté aux domaines de la surveillance vidéo et du transport intelligent, il est distribué sous la licence GPL-3.0 et hébergé sur des plateformes comme GitHub et Gitee pour un accès facilité.

Démarrage Rapide

Pour mettre en œuvre rapidement ce système, assurez-vous d'avoir installé Python 3.6 ou supérieur ainsi que PyTorch 1.7 ou une version ultérieure. Voici les étapes essentielles :

Configuration de l'Environnement

1. Installez les dépendances requises en exécutant la commande suivante :

pip install -r dependances.txt

3. Téléchargez les modèles pré-entraînés depuis le dépôt du projet et placez-les dans le répertoire approprié.

Exécution de la Démonstration

Pour la reconnaissence sur image :

python analyse_plaque.py --modele_detection modeles/detect_plaque.pt --modele_reconnaissance modeles/recon_couleur.pth --chemin_image chemin/vers/votre/image.jpg --sortie resultat

Pour la reconnaissance sur flux vidéo :

python analyse_plaque.py --modele_detection modeles/detect_plaque.pt --modele_reconnaissance modeles/recon_couleur.pth --video chemin/vers/video.mp4

Modifiez les chemins de fichiers selon votre configuration réelle.

Scénarios d'Application et Bonnes Pratiques

• Déploiement en Temps Réel : Utilisez du matériel comme les séries Jetson ou Raspberry Pi, combiné avec des technologies de conteneurisation (Docker), pour implémenter la reconnaissance optique de caractères en temps réel sur des appareils edge.
• Intégration aux Systèmes de Surveillance : Intégrez ce module de reconnaissance dans les systèmes de surveillance vidéo existants pour annoter automatiquement les informations de plaques, améliorant ainsi l'efficacité de l'analyse intelligente.
• Personnalisation par Entraînement : Exploitez les scripts d'entraînement fournis pour affiner le modèle sur les caractéristiques spécifiques des plaques de votre région, augmentant la précision de la reconnaissance.

Écosystème Technique et Extensions

• Compatibilité avec les Frameworks : Au-delà de YOLOv5 natif, le système peut être converti et déployé via ONNX, TensorRT ou OpenVINO, s'adaptant à diverses plateformes matérielles.
• Portage pour Android avec NCNN : Pour les appareils mobiles, une adaptation NCNN est disponible, permettant une reconnaissance efficace même sur des dispositifs légers.
• Communauté et Contributions : Le projet maintient une communauté active pour partager les meileures pratiques et résoudre les problèmes, encourageant les contributions via des pull requests.