1. XLPNet简介2. 相关地址链接
2.1 预览版
内容用法效果保存结果展示说明 2.2 完整版 3. 前言
3.1 不正经的前言3.2 正经的前言 4. 其他
关于XLPNet的设计理念
1. XLPNet简介
一个诞生于2022年，基于纯卷积神经网络结构的车牌检测与识别系统XLPNet分为车牌检测与车牌字符识别两部分，具备轻量化、运行高效的特点算法上具备一些新颖的设计与思考，并非现有方案的简单集成基于pytorch构建完整的网络结构与训练体系，支持GPU/多GPU训练提供完整的opencv调用程序（包括python版本和C++版本），可以完全摆脱深度学习框架的限制，便于在多种不同平台和系统（Windows/Linux/Raspbian）直接或间接部署使用
2. 相关地址链接
2.1 预览版
如果你想试一试XLPNet的效果（目前仅完善了检测部分），但又不想部署任何的环境，那么请不要错过这个！
XLPDetection_opencv_exe
一个在windows系统下可直接运行的车牌检测程序，可以直接对单张车牌图片或者文件夹中图片进行检测（基于opencv库调用XLPNet检测部分网络并进行后处理）。
链接: XLPDetection_opencv_exe
提取码：ozt1
XLPNet_opencv_exe.exe 车牌检测程序可执行程序opencv_world440.dll opencv动态链接库weights 放置模型文件images 放置待测图片outputs 放置保存的检测结果图 用法
方法一：直接拖动一张图片到exe程序上，程序将自动运行，输出检测结果。
- 按键’s’可以保存当前检测结果图，保存在outputs文件夹中按键‘n’或者’ESC’可以直接退出程序注意按键之前注意要切换成英文模型来输入
- 按键’s’可以保存当前检测结果图，保存在outputs文件夹中（保存时将按顺序自动命名）按键’n’可以直接进行下一张检测，不保存按键’ESC’直接退出程序
拖动这两个中的一个到XLPNet_opencv_exe.exe上
效果
以下展示以文件夹作为输入（方法二）的运行结果：
保存结果展示
说明
以上使用的是一个轻量化的模型，仅3.2M；以上结果是基于Intel i5-3470 CPU的运行速度，其中网络前向推理耗时约280ms，后处理约2ms；此外测试了在AMD Ryzen 7 4800H CPU上的运行速度，整体耗时约55ms。 2.2 完整版
完整程序即将上传github，敬请期待
3. 前言 3.1 不正经的前言正经人谁还搞CV？正经搞CV的谁还搞目标检测、字符识别？正经搞目标检测识别的谁还搞车牌？
实不相瞒，我就是那个断断续续做了三年多车牌检测与识别的不正经CVer。才疏学浅，闲来做这么一个开源的小项目，一为总结过去的所学，二为分享当前的所思所想，难免贻笑大方，自然也权当玩笑了。
3.2 正经的前言- 跨入深度学习时代以来，车牌检测与识别（自动车牌识别，ALPR）相关的学术文章、技术文献纵不以万计，也足可称得上“成百上千”，但目标检测、文本检测与识别等领域的发展，仍旧能够给予ALPR技术不竭的更新思路、前进动力；自本科毕设开始，车牌检测与识别就是我的一个课题，硕士课题仍然是ALPR相关。期间对于现有的基于深度学习技术的ALPR方案（包括论文、开源项目等）做过了较为详细的整理研究，发现技术上大同小异，主流方案即是采用通用目标检测技术来定位车牌，采用文本识别技术识别车牌字符；任务本身不是特别有难度，现有方法又有这么多，那还有什么做的必要呢？我的理由有三：
（1）目前通用检测算法基本都是回归边界框，但结合工程经验来看，边界框定位的形式不如采用角点定位的形式来的精度高；
（2）目前很多通用检测算法较难在精度和速度间取得一个均衡（当然yolo系列、NanoDet等做的很好），此外也很难脱离pytorch等深度学习框架直接部署使用；
（3）识别部分现在要想取得高准确率往往采用循环神经网络RNN（LSTM）的方式来处理，不仅速度受限，而且部署也是很麻烦；想法必须经过实践检验才有意义，因此我计划做一个开源的车牌检测与识别方案XLPNet，融入这几年的经验和理念，使其在理论性上具备一定创新性，同时也兼顾一定的工程需要。
LOGO整体是黄黑配色，让人联想到道路警示牌的颜色，实际上这个配色也源自我的偶像李小龙先生在电影遗作《死亡游戏》中的服装，给人警醒之感；字母X一般认为表示未知，表示无限可能，因此选用X作为首字母，X中黄色闪电寓意XLPNet运行快速，橙色寓意道路，呼应XLPNet的使用场景；综上，黄黑配色寓意警醒、自觉、自知，X寓意无限可能，寓意简单、直接、非传统的设计理念。
