TechDay公開課實錄:PaddlePaddle車牌識別實戰和心得

車牌識別做爲一種常見的圖像識別的應用場景，已是一個很是成熟的業務了，在傳統的車牌識別中，可使用字符分割+字符識別的方式來進行車牌識別，而深度學習興起後，出現了不少端到端的車牌識別模型，不用分割字符，直接輸入車牌圖片便可識別出車牌字符。2019年1月5日百度深度學習線下技術公開課PaddlePaddle TechDay第一期演講則邀請了百度認證佈道師胡曉曼老師分享基於PaddlePaddle最新版本Fluid做用於車牌識別模型訓練的實踐。

如下爲胡曉曼講師的演講實錄：

PaddlePaddle Fluid和TensorFlow的設計理念有何不一樣？

執行流程不是「先定義再執行」，而是「先編譯再運行」，經過寫一個 Transpiler把Protobuf Message翻譯成C++程序，而後用NCVV、ICC、GCC編譯成二進制代碼，能夠直接運行在服務器和手機上。

拋棄靜態圖思想，採用Program設計思想，原始的Program在平臺內部轉換成ProgramDesc，python的Executor接收ProgramDesc後，傳遞給Transpiler，輸出一段C++可執行的Program。

基於此，Fluid解釋器極大的加快了執行Program的速度，PaddlePaddle Fluid運行速度也會更快。

按步驟來，你也能創造本身的車牌識別數據集

1.數據準備

數據準備是作訓練的第一步，每每你們第一印象都是去網上下載車牌數據集，可是會有不少問題，如數據集不方便下載，大部分須要花錢等等。但其實除了收集真實場景的車牌數據，咱們也能夠本身用程序的方式生成車牌數據：

1.1生成車牌數據

1.1.1定義車牌所需字符

1.1.2生成中英文字符

一個車牌第一個字母都是中文，後面是英文和數據集合。

1.1.3數據加強：添加畸變、噪音和模糊處理

字符生成後，須要對車牌數據進行一些數據加強，由於直接生成的數據是很是乾淨和清晰的車牌數據，跟真實場景的數據有必定差距，直接拿來用的訓練結果會很是好，可是天然場景裏，噪音、畸變、模糊等問題會影響真實圖片的效果，最後實際應用依然達不到預期。所以，咱們須要對這些數據進行畸變、噪音、模糊處理，儘可能貼近現實場景的圖片。

1.1.4生成車牌背景——加入背景圖片，生成車牌字符串list和label，並存爲圖片格式。

車牌目前有藍牌、綠牌、白牌、黑牌，常見的是藍牌和綠牌，車牌數字搞定後須要加入背景圖片，使其跟真實車牌更相近。

1.1.5批量生成

生成字符後加入背景圖片，用函數的使其能夠批量生成，作測試最好生成數量越多越好，起碼幾十萬張起。

1.2.6車牌生成效果

2.Fluid數據讀取

支持兩種傳入數據的方式：

以PythonReader同步讀取方式爲例（注：batch_size：Fluid中Tensor的第0維度固定爲batch_size，在上面代碼段中，圖像輸入x的形狀爲[3,32,32]，分別表明：channel數目，圖像的高度和寬度。若是不指定batch_size，那麼data算子會根據實際數據來推斷batch_size的大小，若是須要自定義batch_size，就須要在第0維指定維度便可）：

3.Fluid網絡模型

採用PaddlePaddle Fluid提供的vgg19模型來進行訓練，完整代碼請見：

https://github.com/huxiaoman7...

這個模型的好處是把vgg9全部的網絡模型都寫進去了。

4.啓動訓練-參數初始化

啓動訓練的時候如何進行參數初始化，能夠選擇是否使用GPU。初始化完成後，須要把數據灌進來，啓動數據模型並輸入數據。

5.模型測試並輸出日誌

打印日誌

打印的日誌，pass表示第一次迭代，batch表示第一次batch，Loss是第一次迭代，第一次迭代裏面是98，acc是0.08，一直迭代到後面，loss值在不斷的降低。Loss值不斷降低能夠畫成一張圖，根據它降低的幅度，能夠幫助咱們偵查這個模型訓練是否有問題。

保存模型

建立一個保存模型的路徑，經過調用Fluidio這個模塊，將這個模型保存下來。

6.預測模型

保存好的模型不必定要在這臺機器上使用，在其餘機器和容器裏面，也是能夠進行使用的。提早將這個網絡和模型加載進來，放入測試數據，就能夠進行測試，預測模型。

預測結果（測試圖片）

這張圖片是預測的新能源的車牌圖片，豫GD17926，預測以後把模型加載進來，測試圖片，結果是豫GD17826，9變成8，沒有想象中的效果好，緣由是隻迭代了2000次，沒有迭代太多的時間，若是模型並無徹底收斂，你們能夠在自主構建過程中，增長迭代次數，看是否可以達到收斂的狀態。固然，實際應用落地中，仍是要看具體的業務場景。

最後，曉曼老師也根據自身經驗，給初學者提出幾點關於深度學習的建議：

1.不要過於追求高大上的模型和數學名詞，作工業應用實踐，要作好最基本的工做，不要深究理論；

2.不要隨便調參，理論有助於咱們懂得如何更快速、更高效調參，使其以最快的方式達到最優的狀態；

3.不要只依賴機器，機器的資源是有限的，咱們更應該考慮如何把模型進行性能優化，這樣能夠加速模型進行訓練；

4.提升工程能力，多看代碼，多寫代碼，論文多復現，以此提升本身的工程能力。