由于本人不再从事相关工作，所以这个脚本我不再维护。提的 Issue 我也不再处理。
该脚本用于训练HyperLPR的端到端识别模型。
Python3.5+
- keras
- tensorflow
- opencv-python
- h5py
- numpy
显示帮助文档:
python main.py --help
将模型导出为h5文件:
python main.py [-num_channels 3] export -m model.h5
训练:
usage: main.py train [-h] -ti TI -tl TL -vi VI -vl VL -b B -img-size IMG_SIZE
IMG_SIZE [-pre PRE] [-start-epoch START_EPOCH] -n N
[-label-len LABEL_LEN] -c C [-log LOG]
optional arguments:
-h, --help show this help message and exit
-ti TI 训练图片目录
-tl TL 训练标签文件
-vi VI 验证图片目录
-vl VL 验证标签文件
-b B batch size
-img-size IMG_SIZE IMG_SIZE
训练图片宽和高
-pre PRE pre trained weight file
-start-epoch START_EPOCH
-n N number of epochs
-label-len LABEL_LEN 标签长度
-c C checkpoints format string
-log LOG tensorboard 日志目录, 默认为空
训练用法示例:
python main.py train -ti train_imgs -tl train_labels.txt -vi val_imgs -vl val_labels.txt -b 16 -img-size 250 40 -n 100 -c checkpoints/'weights.{epoch:02d}-{val_loss:.2f}.h5' -log log
表示训练图片位于train_imgs目录下, 训练标签在train_labels.txt中。
验证图片位于val_imgs目录下, 训练标签在val_labels.txt中。
Batch size为16, 图片尺寸为250x40, 到100个epochs时结束训练。
Cehckpoints在checkpoints目录下, tensorboard的log目录为log。
注意: 如果没有修改CNN结构和参数，
训练图片的高度(也就是命令行参数-img-size中的第二个参数)必须是40.
如果修改了，需要给出相应高度。
训练需要准备训练数据集和验证数据集, 每种数据集都包括图片和标签两部分。
图片为包含真实车牌的图片（如下图）， 所有图片大小必须与命令行参数中指定的相同。
注意：1. 车牌不必恰好包含在图片中，最好左右留出一些区域，如上图所示；左右留出区域长度不必相同。 2. 实际上在一定范围内，任意放置（只要倾斜角不太大，长度差异不是过大）的车牌都可以识别，但前提是训练数据集要准备得当。
标签为UTF-8编码的纯文本文件, 每行的格式如下
filename:label
其中filename是图片名称, 不包含顶级目录1;
label是真实车牌号, 英文字母必须大写，label的长度必须与命令行中的参数-label-len相同。
1 顶级目录在命令行参数中以-ti给出
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent