车牌识别 百度飞桨深度学习7日—Day03

车牌识别

生活中车牌识别已经随处可见，那么，大家想知道车牌识别通过深度学习该如何实现嘛？现在，让我们通过百度飞桨paddlepaddle来实现一下吧
环境：paddlepaddle 1.7.0（用到动态图）
数据集： 百度ai数据集 车牌数据
推荐：白嫖百度ai V100显卡的算力（有一说一确实舒服）

前期工作

因为我们使用的是百度AI的环境，我们先对挂载的数据集进行解压缩

!rm -rf __MACOSX
!unzip -q /home/aistudio/data/data23617/characterData.zip

接下来我们导入需要的库

import numpy as np
import paddle as paddle
import paddle.fluid as fluid
from PIL import Image
import cv2
import matplotlib.pyplot as plt
import os
from multiprocessing import cpu_count
from paddle.fluid.dygraph import Pool2D,Conv2D
# from paddle.fluid.dygraph import FC
from paddle.fluid.dygraph import Linear

其中我们可以看到
from paddle.fluid.dygraph import FC被注释掉了
这是因为在paddlepaddle1.7.0中，动态图的FC被Linear所取代
至于如果使用静态图实现，则无所谓

静态图实现和动态图实现的区别

这里笔者多嘴一句个人感受，静态图使用起来导入数据方便，使用静态图也没有什么大碍，动态图调试起来方便，静态图和动态图之间各位仁者见仁智者见智就行

数据预处理

我们生成对应标签和图像地址的图像列表文件

# 生成车牌字符图像列表
data_path = '/home/aistudio/data'
character_folders = os.listdir(data_path)
label = 0
LABEL_temp = {
   }
if(os.path.exists('./train_data.list')):
    os.remove('./train_data.list')
if(os.path.exists('./test_data.list')):
    os.remove('./test_data.list')
for character_folder in character_folders:
    with open('./train_data.list', 'a') as f_train:
        with open('./test_data.list', 'a') as f_test:
            if character_folder == '.DS_Store' or character_folder == '.ipynb_checkpoints' or character_folder == 'data23617':
                continue
            print(character_folder + " " + str(label))
            LABEL_temp[str(label)] = character_folder #存储一下标签的对应关系
            character_imgs = os.listdir(os.path.join(data_path, character_folder))
            for i in range(len(character_imgs)):
                if i%10 == 0: 
                    f_test.write(os.path.join(os.path.join(data_path, character_folder), character_imgs[i]) + "\t" + str(label) + '\n')
                else:
                    f_train.write(os.path.join(os.path.join(data_path, character_folder), character_imgs[i]) + "\t" + str(label) + '\n')
    label = label + 1
print('图像列表已生成')

定义一下数据reader

# 用上一步生成的图像列表定义车牌字符训练集和测试集的reader
def data_mapper(sample):
    img, label = sample
    img = paddle.dataset.image.load_image(file=img, is_color=False)
    img = img.flatten().astype('float32') / 255.0
    return img, label
def data_reader(data_list_path):
    def reader():
        with open(data_list_path, 'r') as f:
            lines = f.readlines()
            for line in lines:
                img, label = line.split('\t')
                yield img, int(label)
    return paddle.reader