企业官网建设流程全解析

简介：一份基于YOLOv5的深度学习车牌识别系统本科毕业设计论文文档，适合计算机视觉、深度学习方向的毕业生及研究人员作为论文撰写与系统设计参考。文档从研究背景和意义出发，分析了传统人工识别方式的不足与深度学习带来的效率提升，详细介绍了YOLOv5实时目标检测模型的原理、优势及在车牌识别中的应用流程；完整覆盖图像采集、预处理、模型训练、车牌定位、字符分割与字符识别等关键环节，并结合Python语言与OpenCV、Pandas等库讨论系统实现方式与未来应用前景。资源为单个docx文件，大小1.14MB，内含中英文摘要、目录、绪论、关键词等完整论文结构，涵盖研究背景、技术方案与实现等内容，可直接用于毕业设计框架搭建、开题报告撰写或技术思路梳理。目前已有1006人学习下载，有利于快速掌握基于深度学习的车牌识别全流程，适合正在筹备车牌识别、目标检测类毕业设计的同学参考。

1. 基于yolov5的深度学习车牌识别系统：论文怎么立项，代码怎么落地

你手里这份“基于yolov5的深度学习车牌识别系统论文.docx”，对做毕设或接项目交付的人来说，不是一篇文档，而是一整套待实现的系统。它要做的事很明确：用深度学习模型在监控画面或手机照片里把车牌框出来，再按省份汉字、字母、数字的顺序把车牌号读出来。YOLOv5负责定位和识别，深度学习在背景复杂的图像里提取车牌特征，最终输出可以直接对接收费系统或门禁系统的文本结果。

这套系统能解决什么？最先落地的是停车场入口的无人值守：车辆停在道闸前，相机抓拍，系统输出“粤B12345”，后端再处理计费；其次是园区巡逻和路侧停车管理，在移动画面里抓拍识别。适合两类人：一类是计算机视觉方向的应届生，需要把毕设做成能展示、能现场跑的实物；另一类是做安防和智能交通的工程师，想用现成的相机和服务器快速加一路识别服务。

YOLOv5在这个任务里不是唯一解，但它拥有庞大的开源社区、完整的训练工具链和成熟的数据标注生态，是把“基于yolov5的深度学习车牌识别系统”从论文标题变成可复现成果的最短路径。下面从系统拆解讲起。

2. 车牌识别系统的整体拆解：从目标检测到字符识别，YOLOv5一人分饰两角

车牌识别系统不是“丢一张图进神经网络，直接吐车牌号”的单模型端到端流程，它至少拆成两个阶段：第一阶段在完整图像里定位车牌，输出一个矩形边界框；第二阶段把边界框里的车牌区域裁剪出来，识别出字符序列。YOLOv5在这两个阶段都能承担主力，也因此成为毕设项目里被用得最多的模型。

这一章先讲清楚系统原理和选型理由，后续的训练、调参和后处理才能落到具体命令上。

2.1 车牌检测为什么选YOLOv5而不选传统方案

车牌检测是个标准的目标检测任务。传统方案先对图像做灰度化、边缘检测、颜色分割，再用形态学闭运算把候选区域连成块，最后用车牌长宽比筛选并做OCR。这套流程在固定角度、固定光线的单车道场景下能用，但相机只要从俯视改成仰视，或者遇到逆光、夜间车灯照射，边缘检测会连出一大片灯影，颜色分割也会把白色车身误判成蓝色车牌区域。传统方案靠的是人工设计的特征，而光照变化和运动模糊没有固定数学规则，所以换一个场景就得重新调一遍参数。

深度学习模型直接学习车牌区域在像素层面的分布规律。训练好的模型对逆光、暗光、轻微模糊都有免疫力，因为训练数据里见过不止一种“难搞”的画面。YOLOv5在众多深度学习检测模型中胜出，靠的是三件事。

第一是网络结构适合中小目标。YOLOv5的Backbone是CSPDarknet，它把特征图分层做跨阶段拼接，减少重复梯度计算；Neck采用PANet结构，把高层语义信息和浅层边缘信息反复融合；Head输出三个不同尺度的预测层，分别对应小中大目标。车牌在监控画面里通常占比不到十分之一，属于中小目标，640×640输入下，最小的检测层能保留足够的分辨率去定位。这也是Faster R-CNN能做到、但不容易部署的地方，YOLOv5的工程化明显更亲民。

第二是训练和工程化成本低。YOLOv5源码是纯PyTorch写的，一个train.py可以完成从数据读取、增强、训练到验证的全流程；训练完可以用torch.hub加载，或者导出成ONNX在C++环境跑。相比Faster R-CNN的复杂锚点分配，YOLOv5默认锚点可以直接沿用，也支持自动计算，新手不需要深入理解锚点机制就能把模型跑起来。

第三是类别数少带来的高准确率。车牌检测只有一个类别，模型不需要区分不同车辆，专注做前景和背景二分类即可。用CCPD和少量自建数据混合训练后，mAP@0.5可以到98%以上，而yolov5s参数量约7.2M，6GB显存的游戏卡就能训练。另一个容易忽略的选型理由是和论文目标匹配：如果毕设要做消融实验，YOLOv5可以方便地换Backbone、换Neck、改锚点，甚至把Backbone换成MobileNet做轻量化对比。SSD可改动空间少，EfficientDet部署依赖复杂，都不如YOLOv5弹性大。

提示：YOLOv5超参数的坑在第一阶段不明显，因为只有一类目标；但第二阶段字符识别时，类别不平衡会严重影响结果。提前把数据增强策略想好，能避免后面反复重训。

2.2 字符识别的两条路线：YOLOv5检测字符 vs 端到端CRNN

检测到车牌框之后，字符识别有两种主流做法。

路线一：再训练一个YOLOv5模型做字符检测。把车牌小图输入模型，输出每个字符的边界框和类别，类别包括31个省份汉字、24个英文字母（去掉I和O）、10个数字，共65类。拿到所有字符框后，按x坐标从左到右排序，拼接字符串。这个路线的最大优点是和第一阶段技术栈统一，训练、部署、论文里画的系统流程图都是同一款模型，不需要额外介绍RNN、CTC等概念。缺点是每个车牌要标注多个框，标注成本高，而且如果车牌倾斜严重，单靠排序可能错位。

路线二：第一阶段YOLOv5检测车牌，第二阶段用CRNN识别整个车牌小图。CRNN是“CNN+RNN+CTC”组合，CNN提取图像序列特征，RNN学习字符之间的上下文，CTC做时序对齐，最后输出不定长车牌号。这个路线在通用OCR里很成熟，对倾斜、遮挡的容忍度更高，而且不需要字符级标注，只要给出整串车牌号即可。但它是典型的“黑匣子”，内部特征对论文读者不友好，部署时还要引入另一个模型框架，工程链路被拉长。

我一般建议毕设优先走两个YOLOv5模型的路线。原因有三个：一是整个系统只有一个技术栈，调参、换数据、跑实验都复用同一套步骤；二是字符检测结果可以可视化成框，答辩时一眼看出每个字符被定位在哪，比CRNN的软性输出更有说服力；三是如果导师要求对比实验，路线二可以作为对照组出现，把“为什么不用CRNN”写成论文里的分析段落，反而变成加分点。

字符检测模型的数据组织方式和车牌检测一样，只是类别数从1变成65，训练输入可以缩小到320×320，因为字符比车牌更小，过大的分辨率会让前景区域占比太小，反而增加计算量。后处理阶段要处理信噪比：车牌倾斜会导致字符框高低不平，排序不能只按x，还要结合y方向做“行校正”，这些细节放在第4章。另一个容易忽略的问题是：字符框是有顺序的，而YOLOv5检测本身是无序输出，后处理的排序逻辑写不对，训练再准，输出的车牌号也是乱的。各省简称里“京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼”必须全部覆盖，少一个都会在对应省份车牌上识别失败。

3. 用YOLOv5训练车牌检测模型：数据集、超参数与训练命令

这里开始进入实操。目标只有一个：用你自己的图片跑通一个能框出车牌的一阶段模型。先准备数据，再写配置，最后执行训练命令并监控日志。

3.1 车牌数据集从哪里来：公开数据转换与自标注格式

车牌检测模型的数据来源有三个：公开数据集、自己拍、合成。公开数据集最常见的有CCPD、CRPD，它们包含大量真实停车场和路面场景，但标注方式不一。CCPD的标签直接写在文件名里，比如“025-95_113-154&383_386&473-386&473_177&454_154&383_363&402-0_0_22_27_27_33_16-37-15.jpg”，需要解析；CRPD提供XML标注。直接拿这些数据集投喂YOLOv5会遭遇格式问题：YOLOv5要求每张图配一个同名txt文件，每行是“类别id 中心x 中心y 宽 高”，坐标都归一化到0~1。

写一个VOC XML转YOLO格式的小脚本是第一步。下面这段代码假设你的数据集是VOC风格，类别名只有plate。

import xml.etree.ElementTree as ET import os def voc_to_yolo(xml_path, out_dir, img_w, img_h): tree = ET.parse(xml_path) root = tree.getroot() lines = [] for obj in root.iter('object'): name = obj.find('name').text if name != 'plate': continue box = obj.find('bndbox') x1 = float(box.find('xmin').text) y1 = float(box.find('ymin').text) x2 = float(box.find('xmax').text) y2 = float(box.find('ymax').text) cx = ((x1 + x2) / 2) / img_w cy = ((y1 + y2) / 2) / img_h w = (x2 - x1) / img_w h = (y2 - y1) / img_h lines.append(f"0 {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") with open(os.path.join(out_dir, os.path.basename(xml_path).replace('.xml', '.txt')), 'w') as f: f.write('\n'.join(lines))

逻辑说明：这个脚本遍历XML里所有object，过滤出类别为plate的框，把绝对坐标换算成归一化坐标。换算公式是中心x除以图像宽度、框宽除以图像宽度，中心y除以图像高度、框高除以图像高度。注意img_w和img_h必须与图片实际尺寸一致，否则边界框对不上。如果你从文件名解析坐标，则不需要img_w，但要先确认标注坐标系是否已经是归一化。

自己的图片建议用labelImg或X-AnyLabeling标注。标注时只画水平矩形框，不需要旋转框，因为YOLOv5输入是正矩形，标注框就按车牌的axis-aligned外接矩形拉。不要为了贴合倾斜车牌强行旋转，宁可框内多带一点背景，模型也能学会。标注完导出VOC或YOLO格式，再把图片和txt按目录分开。

数据切分不能只按文件随机分，最好按场景分。比如把同一个停车场不同时段的图片全部放train，另一个停车场放val，再一个园区放test。否则val和train里都出现同角度同光线图片，测出来的mAP虚高，论文里写出来会被质疑。切分比例建议train:val:test = 8:1:1，最少也要一千张真实图起步。

3.2 训练命令与超参数：一张消费级显卡能跑通的配置

准备好数据后，写一个数据集描述文件。YOLOv5的train.py用--data指定这个yaml：

train: /data/plate/images/train val: /data/plate/images/val test: /data/plate/images/test nc: 1 names: ['plate']

关键字段是nc类别数和names类别名。如果后续训练字符模型，这个文件改成nc: 65和对应的名称列表。路径建议写绝对路径，避免工作目录切换导致找错。YOLOv5会读取每个路径下的图片和同名标签。

训练命令我一般这样写：

python train.py \ --data /data/plate/plate.yaml \ --weights yolov5s.pt \ --img 640 \ --batch 16 \ --epochs 100 \ --hyp data/hyp.scratch-low.yaml \ --project runs/plate \ --name exp1

参数说明：--img 640是训练输入边长，YOLOv5会等比缩放并填充；--batch 16在6GB显存下比较稳妥，8GB显卡可以尝试32；--epochs 100对单类检测完全够，一般到第60个epoch就开始收敛；--weights yolov5s.pt使用COCO预训练权重做迁移学习；--hyp data/hyp.scratch-low.yaml使用低增强配置，原因在下面。

YOLOv5超参数藏在data/hyp.scratch-low.yaml和hyp.scratch-high.yaml里。对于车牌检测这种形状规整、颜色鲜明的目标，不需要过强的数据增强。我常用改动写成一个独立的hyp.plate.yaml：

lr0: 0.01 lrf: 0.01 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3.0 hsv_h: 0.0 hsv_s: 0.5 hsv_v: 0.4 degrees: 5.0 translate: 0.1 scale: 0.5 fliplr: 0.0 mosaic: 1.0

这些参数怎么改？hsv_h是色调扰动，车牌颜色是重要先验特征，色相偏移太大会把蓝牌变成绿牌或紫牌，建议设0；hsv_s和hsv_v控制饱和度、亮度扰动，逆光场景需要，可以保留0.4~0.5；degrees是旋转角度，车牌不会倒着出现，5度足够；fliplr水平翻转要设0，因为汉字翻转后语义变了，模型会把左右结构学反。mosaic建议保持1.0，它把四张图拼在一起训练，能提升小目标能力，但如果显存不够，训练参数里加--no-mosaic关掉。

训练过程用runs/plate/exp1/下的results.png和val_batch*.jpg观察，每100轮日志会打印P、R、mAP@0.5。如果mAP已经超过97%且val loss不再下降，可以手动Ctrl+C中断，YOLOv5会自动保存最佳权重best.pt。后续继续训练用--resume runs/plate/exp1/weights/last.pt，它会读取之前的权重、epoch和超参数，不用重新设置。

有一个容易踩的坑：如果你用预训练权重yolov5s.pt，它会自动改变输出类别数从COCO的80到你的nc=1，这是YOLOv5内部处理好的。但如果你下载的权重是别人微调过的，类别数可能不匹配并报错。解决方法是重新下载官方yolov5s.pt，或者去掉--weights从头训练。

4. 字符识别模型的训练与后处理：把检测框变成车牌号

车牌检测模型训练完成后，你已经能看到蓝色或绿色的车牌边界框。接下来要让模型认识车牌里的汉字、字母和数字。这一步是YOLOv5的第二个应用场景，也是论文里除“车牌检测”外最有技术增量的部分。

4.1 字符级数据的生成与标注策略

字符识别模型可以直接用YOLOv5训练，但数据准备逻辑和车牌检测完全不同。车牌检测只有一类，字符识别有65类，类别数量级变大，标注成本和类别均衡问题随之而来。

第一个做法是真实标注。用训练好的车牌检测模型跑一遍所有训练图，把裁剪出的车牌小图收集起来，再用标注工具在每张车牌上拉字符框。一个标准蓝牌有7个字符，7个框都要标类别。这样标注一套数据大约要花一整天，但真实性和场景覆盖最好。第二个做法是合成数据。先用程序随机生成蓝色底、白色字的车牌底图，再把各省简称、字母、数字用OpenCV画上去，做透视变换、加高斯模糊、改变亮度。合成数据能轻松做到几万张，但字体和真实车牌有差异，直接拿合成数据训练会掉点。常见做法是“真实数据打底，合成数据补量”，低频汉字多生成样本，能缓解类别不平衡。

字符模型的yaml文件类似这样：

train: /data/char/images/train val: /data/char/images/val nc: 65 names: ['京','津','冀','晋','蒙','辽','吉','黑','沪','苏','浙','皖','闽','赣','鲁','豫','鄂','湘','粤','桂','琼','川','贵','云','藏','陕','甘','青','宁','新','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']

注意英文类别里没有字母I和O，避免和数字1、0混淆，这是车牌的强制规范。names顺序要固定，训练和推理保持一致，后处理时用这个列表做索引映射。

训练命令：

python train.py \ --data /data/char/char.yaml \ --weights yolov5s.pt \ --img 320 \ --batch 32 \ --epochs 80 \ --hyp data/hyp.char.yaml

--img 320是字符模型的常见选择。输入是裁剪后的车牌小图，原本宽度在200~400像素，直接resize到320不会丢失太多细节。--batch 32需要8GB以上显存，如果只有6GB，降到16即可。字符类别多，epochs 80比车牌检测多一些，让模型记住汉字结构。

字符模型训练时，必须开启YOLOv5的自动锚定，不要加--noautoanchor。YOLOv5会自动用K-means重新计算锚点，因为字符的宽高比接近正方形，和车牌的长条框差异很大。如果沿用COCO锚点，收敛很慢，最后mAP低好几个点。

4.2 后处理：按坐标排序、置信度过滤、正则校验和组合输出

字符检测模型的输出是65类中每个字符的框坐标和置信度。把它们拼成车牌号，后处理代码决定了最终准确率。下面是完整的推理后处理片段。

import re import numpy as np # det 来自模型输出，格式为 [x1, y1, x2, y2, conf, cls_id] def compose_plate(dets, class_names): if len(dets) < 7: return None, 0.0 dets = [d for d in dets if d[4] >= 0.5] # 按x中心排序，字符自左向右 dets.sort(key=lambda d: (d[0] + d[2]) / 2) chars = [] confs = [] for d in dets: cls_id = int(d[5]) chars.append(class_names[cls_id]) confs.append(d[4]) plate_candidate = ''.join(chars) if not is_valid_plate(plate_candidate): return None, float(np.mean(confs)) return plate_candidate, float(np.mean(confs)) def is_valid_plate(s): # 蓝牌7位，新能源8位；顺序：省份简称+字母+5/6位字母数字 pattern = r'^[\u4e00-\u9fa5][A-Z][0-9A-Z]{5,6}$' return bool(re.match(pattern, s))

逻辑说明：第一步过滤置信度低于0.5的框，避免把干扰物当字符；第二步按边界框x中心排序，因为中国车牌是从左到右排布；第三步用class_names把类别id转成字符；第四步用正则校验车牌格式，省份必须是汉字，第二位必须是大写字母，后面5~6位是字母或数字。校验不通过返回None，让上层决定是否重新检测。

正则里的[\u4e00-\u9fa5]匹配所有汉字，但车牌省份只占其中31个，更严谨的做法是把31个汉字拼成枚举，例如[京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼]。另外，新能源车牌比蓝牌多一位，是6位数字字母，所以{5,6}可以兼容。

如果单车牌上检测出多于7个框或少于7个框，需要容错。多出来的框可能是背景误检，按置信度排序后取前7个；少的时候不要硬凑，可以尝试删除一个字符再匹配正则，比如“粤B1234”缺少最后一位，尝试所有可能插入位置补上候选字符。这个操作有点“玄学”，但在实际部署里能救回不少模糊车牌。

最后是推理管线串联。下面这个简化函数展示了从原图到最终结果的调用关系。

def detector_plate_and_ocr(img): boxes = plate_model.predict(img) # 车牌位置 if len(boxes) == 0: return None x1, y1, x2, y2 = boxes[0][:4] plate_img = img[y1:y2, x1:x2] # 裁剪 char_dets = char_model.predict(plate_img) # 字符框 plate_str, score = compose_plate(char_dets, class_names) return plate_str

这个流程是串行推理，plate_model跑一次，char_model在裁剪区域跑一次。如果想提升帧率，可以把车牌检测输入降为320×320，字符模型也设为320×320，单张图在GTX 1660上大约40ms，接近实时。裁剪区域要留一点边：plate_img = img[max(y1-10,0):y2+10, max(x1-10,0):x2+10]，给字符模型一点周围背景，反而比严格裁剪更容易识别。

5. YOLOv5车牌识别系统避坑指南：三类高频翻车现场

训练和部署过程中，很多问题不是报错，而是“模型跑出来了但结果不对”。这种问题最容易浪费一整天。这里整理了几类我自己反复踩过的坑，每条按现象、原因、解决顺序写。

5.1 蓝牌和新能源绿牌的预处理冲突

现象：同一个车牌检测模型，蓝牌全部能框出，绿牌却有一半被漏检，或者边框把绿色区域切掉一块。字符识别阶段，绿牌字符位数总是少一位或多一位，导致正则校验失败。

原因：训练数据集里蓝牌占绝大多数，绿牌占比可能不到5%，模型没学会“绿色也是一种车牌底色”。另外数据增强里hsv_h色调扰动会把绿色调成蓝色，反而把模型搞混。字符后处理如果写死“7位”，遇到8位新能源车牌会直接拒识。

解决：先统计数据集里蓝绿牌比例，人工把绿牌图片复制三份放进训练集，复制的同时做轻微亮度变换再存储。字符模型后处理要同时接受7位和8位。训练时hsv_h保持0，必要时把绿牌图像从RGB转到HSV后增强V通道。如果项目交付只针对蓝牌，在需求文档里写明“暂不支持绿牌”也是一种免责的工程选择。

5.2 相似字符识别混淆：O/0、I/1、汉字“鲁”“辽”“渝”等

现象：字符模型把车牌里的字母O识别成数字0，或把“鲁”识别成“辽”。单独打印每个字符时模型置信度很高，连起来却不是合法车牌。

原因：真实车牌字体里O和0几乎一样，但车管所规定O和I不能出现在字母位，数字0和1可以。训练数据不平衡导致模型没学过O和I类别，于是误判为相近数字。汉字方面，“鲁”和“辽”右侧偏旁结构接近，像素级特征容易混淆。

解决：在训练集里完全去掉字母O和I的标注样本，让模型永远不输出这两个类别，后处理时再做黑名单校验。对易混淆汉字，在合成数据里额外生成“鲁辽、皖豫、鄂渝”等成对变体，增加负样本压力。另一个常用手段是把裁剪后的车牌统一resize到高度48、宽度在192~256之间再送入字符模型，因为YOLOv5默认输入是正方形，而车牌本身是长方形，正方形会造成拉伸畸变。实践里我习惯把车牌区域先按长宽比贴合到目标，再pad成正方形，这样字符比例不变。

后处理里还可以加一个省份简称校验：

province_chars = "京津沪渝冀豫云辽黑湘皖鲁新苏浙赣鄂桂甘晋蒙陕吉闽贵粤青藏川宁琼" def is_valid_province(s): return s[0] in province_chars

这样如果模型输出第一个字符不在列表里，可以直接判为识别失败，而不是输出一个错误省份。这个黑名单思路在论文的鲁棒性分析里也很好用。

5.3 显存溢出和环境依赖不一致

现象：训练时设置--batch 32，第10个epoch直接报CUDA out of memory；训练好的模型导出ONNX后在另一台服务器上推理，前几帧正常，几分钟后掉帧甚至崩溃。

原因：显存溢出通常是两方面的，一是batch size太高，二是mosaic增强导致每张图拼接后分辨率波动，峰值占用超过平均占用。部署崩溃更常见的是PyTorch和OpenCV版本不一致，或者CPU是老款不支持AVX指令集，PyTorch里的预编译扩展在这类CPU上会报非法指令错误。

解决：训练阶段把batch降到8或16，同时加--no-mosaic减少显存峰值；如果显存仍吃紧，把--img 480缩小输入。部署阶段导出ONNX时固定动态轴，torch.onnx.export(model, dummy_input, "plate.onnx", dynamic_axes={"input": {0: "batch"}, "output": {0: "batch"}})，不要开宽高维度的动态维度，否则优化器很难做图优化。在老旧CPU环境，优先尝试用OpenVINO或TensorRT做转换，绕过PyTorch运行时。使用conda创建独立的Python 3.8环境能避免大量系统包冲突，这是最快的后悔药。

还有一条：如果训练日志里出现loss: nan，不要急着调学习率，先检查数据里有没有全黑或全白图片，这类极端样本会让loss爆炸。YOLOv5默认权重衰减是0.0005，不用改动，学习率跑到一半变成nan，多数是数据问题。

5.4 字符模型类别数不匹配导致推理崩溃

现象：使用训练好的字符模型推理时，输出张量的shape是(1, 65, 8400)，后处理里索引class_names[int(cls_id)]却报index out of range，或者识别结果全是乱码。

原因：训练时names列表顺序和推理时加载的names不一致，或者预训练权重类别数不是65。YOLOv5在train.py里会自动把模型输出层改成nc，但如果你用别人训练好的权重文件，而对方用nc=80跑过一次，再继续微调，可能出现输出类别数是80+65=145的情况，这是微调后的维度残留。

解决：训练自己的数据集时，从官方yolov5s.pt开始，不要用微调过的权重继续接自己数据。推理代码里读取模型权重后，检查model.model[-1].nc，如果和names长度不一致，直接拒绝加载。导出ONNX后用OpenCV DNN模块推理时，它会忽略类别名，需要你在后处理代码里重新声明names，保持和训练时一致。这个坑在毕设答辩现场最容易出现，因为很多同学只带模型和推理脚本，却忘带data/char.yaml里的names列表。我一般会把names写进推理脚本的常量里，不依赖外部yaml，虽然不优雅，但不会因为换电脑就找不到。

6. 从模型到论文：验证指标、实验对比和系统演示的落地写法

模型跑通后，最后一步是把结果写成论文可用的数据。车牌识别系统的核心指标需要三个维度：检测精度、识别精度、速度。检测精度用mAP@0.5和mAP@0.5:0.95；识别精度用字符级准确率和车牌级准确率；速度用单张图推理时间，并附上测试GPU型号。论文里最忌只贴一张mAP曲线，没有对比实验。

我习惯把实验设计成三组：第一组传统车牌识别方案（颜色分割+模板匹配）做基线；第二组“YOLOv5车牌检测+CRNN识别”作对照；第三组“YOLOv5车牌检测+YOLOv5字符检测+后处理”作本方案。三组用同一份测试集，统计车牌级准确率、字符级准确率、平均延迟。如果算力有限，基线组可以引用公开论文的数据，但要在文中注明测试场景不可比。

验证阶段要做两件事。第一件是跑混淆矩阵，重点看易混字符分布，把O/0、I/1的错位挑出来，在后处理代码里加规则修正。第二件是在不同时段、不同光照的真实视频上做连续帧测试，注意别只测静止图片——连续帧里车牌会有运动模糊，视频的“有效帧识别率”比静态图像更有说服力。

论文里放一张完整的系统流水线图，用两个YOLOv5网络结构图分别对应车牌检测和字符识别，再用一张表格列出不同输入尺寸下的性能。输入尺寸640与320的对比是常见消融点，可以写“输入分辨率从640降到320，mAP下降0.8%，速度提升55%”，这种数据最能打动评审。所有实验权重、数据切分脚本、推理代码打包到附录，方便复现。

最后提醒一句：训练时如果你偷懒不写代码，直接把runs目录下的results.png贴进论文，明显是没跑过验证的。我习惯在每个epoch结束都保存一张带预测框的抽样图片，论文里的可视化图就从这些抽样图里选。希望这些步骤能帮到你，把“基于yolov5的深度学习车牌识别系统论文.docx”变成一份真正能跑、能答辩、能交付的成果。

本文还有配套的精品资源，点击获取