私的AI研究会 > RevYOLOv5_3

『ナンバープレート判別』「YOLO V5」３　== 編集中 == †

20110805_111736_001m.jpg
japan74_dn_s.jpg

　物体検出の応用として車のナンバープレート識別を検討してみる

▲　目　次
※ 最終更新:2024/05/25
↑

はじめに †

↑

プロジェクト実行の準備 †

↑

Step 1: ナンバープレートの領域を判別 †

↑

データセットの準備 †

vehicle_detection_m.jpg
  1. Vehicle Detection Computer Vision Project のページを開く
    ・「Download」ボタンを押す
    ・ダウンロードファイル「Vehicle Detection.v7i.yolov5pytorch.zip」を解凍する
    ・フォルダ名を変更「Vehicle Detection.v7i.yolov5pytorch」→「vd_dataset」

  2. 「vd_dataset/」フォルダ内の「data.yaml」をコピーしてファイル「vd_data.yaml」を作成
    ・データセットの配置場所は「yolov5/data/」フォルダとする
    train: data/vd_dataset/train/images
val: data/vd_dataset/valid/images
test: data/vd_dataset/test/images

nc: 2
names: ['licence', 'licenseplate']

roboflow:
  workspace: image-processing-u647q
  project: vehicle-detection-639on
  version: 7
  license: CC BY 4.0
  url: https://universe.roboflow.com/image-processing-u647q/vehicle-detection-639on/dataset/7
  3. 「vd_dataset/」フォルダを「yolov5/data/」内にコピー（移動）する
↑

学習の実行 †

  1. エポック数 100 で実行する
    ・実行ディレクトリは「workspace_pylearn/yolov5/」
    ・学習モデルはデフォールト設定「yolov7s」を使用する
    ・学習結果フォルダ名は「vd_yolov5s_ep100」とする 
    (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100
    ・GPU を使用しない場合は以下のコマンドを実行する
    (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100 --device cpu
  2. 学習の終了
    (py_learn) python train.py --epochs 100 --data data/vd_dataset/vd_data.yaml --weights yolov5s.pt --name vd_yolov5s_ep100
        :

      Epoch    GPU_mem   box_loss   obj_loss   cls_loss  Instances       Size
      99/99      4.17G    0.01894   0.006213   0.000583         12        640: 100%|██████████| 34/34 [00:02<00:00, 12.
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:00<0
                   all        136        155      0.544        0.5      0.468      0.242

100 epochs completed in 0.107 hours.
Optimizer stripped from runs\train\vd_yolov5s_ep100\weights\last.pt, 14.4MB
Optimizer stripped from runs\train\vd_yolov5s_ep100\weights\best.pt, 14.4MB

Validating runs\train\vd_yolov5s_ep100\weights\best.pt...
Fusing layers...
Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
                 Class     Images  Instances          P          R      mAP50   mAP50-95: 100%|██████████| 5/5 [00:01<0
                   all        136        155      0.476       0.53      0.472       0.26
               licence        136        132      0.681      0.712      0.635      0.333
          licenseplate        136         23       0.27      0.348       0.31      0.187
Results saved to runs\train\vd_yolov5s_ep100
    ▼「train.py」実行ログ詳細

  3. メッセージ「Results saved to runs\train\vd_yolov5s_ep30」のファイルを確認
    ・学習結果モデルは「runs/train/vd_yolov5s_ep100/weights」評価指標は「runs/train/vd_yolov5s_ep100/」
    F1 curveP curvePR curveR curve
    F1_curve_m.jpg
    P_curve_m.jpg
    PR_curve_m.jpg
    R_curve_m.jpg
    resuls_m.jpg
    confusion_matrix_m.jpg
    labels_correlogram.jpg
    labels.jpg
    train_batch0.jpg
    train_batch1.jpg
    train_batch2.jpg
    val_batch0_labels.jpg
    val_batch0_pred.jpg
    val_batch1_labels.jpg
    val_batch1_pred.jpg
    val_batch2_labels.jpg
    val_batch2_pred.jpg
↑

実行結果を使って推論 †

  1. ラベルファイルを作成する
    ・「vd_names_jp」日本語ファイル
    ナンバー
ナンバープレート
    ・「vd_names」英語ファイル
    licence
licenseplate
  2. 「detect2.py」で推論実行（静止画をフォルダごとまとめて）
    ・学習結果モデルを指定する
    (py_learn) python detect2.py --weights runs/train/vd_yolov5s_ep100/weights/best.pt --source ../number/test_data/
    vehicle_detection01_m.jpg
    ・実行ログ（結果は「runs/detect/exp*」*は順次更新）
    (py_learn) python detect2.py --weights runs/train/vd_yolov5s_ep100/weights/best.pt --source ../number/test_data/
detect2: weights=['runs/train/vd_yolov5s_ep100/weights/best.pt'], source=../number/test_data/, data=data\coco128.yaml, imgsz=[640, 640], conf_thres=0.25, iou_thres=0.45, max_det=1000, device=, view_img=False, save_txt=False, save_csv=False, save_conf=False, save_crop=False, nosave=False, classes=None, agnostic_nms=False, augment=False, visualize=False, update=False, project=runs\detect, name=exp, exist_ok=False, line_thickness=3, hide_labels=False, hide_conf=False, half=False, dnn=False, vid_stride=1
YOLOv5  v7.0-294-gdb125a20 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
Speed: 0.2ms pre-process, 5.4ms inference, 1.2ms NMS per image at shape (1, 3, 640, 640)
Results saved to runs\detect\exp43
  3. 「detect3_yolov5.py」で推論実行（静止画）
    ・学習結果モデルを指定する
    (py_learn) python detect3_yolov5.py -m runs/train/vd_yolov5s_ep100/weights/best.pt -i ../number/test_data/japan69.jpg -l ./data/vd_dataset/vd_names_jp
    vehicle_detection03_s.jpg
    ・実行ログ
    (py_learn) python detect3_yolov5.py -m runs/train/vd_yolov5s_ep100/weights/best.pt -i ../number/test_data/japan69.jpg -l ./data/vd_dataset/vd_names_jp
 Starting..

Object detection+ YoloV5 Ver. 0.08: Starting application...
   OpenCV virsion : 4.9.0

   - Image File   :  ../number/test_data/japan69.jpg
   - YOLO v5      :  ultralytics/yolov5
   - Pretrained   :  runs/train/vd_yolov5s_ep100/weights/best.pt
   - Confidence lv:  0.25
   - Label file   :  ./data/vd_dataset/vd_names_jp
   - Program Title:  y
   - Speed flag   :  y
   - Processed out:  non
   - Use device   :  cuda:0
   - Log Level    :  3

Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
Adding AutoShape...

FPS average:       8.90

 Finished.
     
↑

Step 2: ナンバープレートの情報を識別 †

↑

データセットの準備 †

  1. ナンバープレートのデータセットについて
    ・ナンバープレート画像を多数収集するのは簡単ではないので、プログラムによって画像を生成する

    ・ナンバープレートには特殊なフォントが使用されているが、それらしいフォントで代用する（↓以下サイトの説明より）
    　※1 FZcarnumberJA-OTF_ver10.otf　「ＦＺナンバープレートゴシック　Ｖｅｒ.10」
    収録文字　半角の1234567890、ひらがなの全て（お、し、へ、ん、及び、ＴＲＭフォントに収録してある文字を除く）、金、高、口、山、士、沢、知、徳、島、奈、富、福、良   欧文大文字の全て、小文字の枠にＡＢＣＥＨＫＬＭＴＶ（沖縄に配慮して、Ｙは表示せず）カタカナの枠に「ツクバ」→「つくば」
    　※2 TrmFontJB.ttf　TRMフォント JB
    このフォントは自動車登録番号票の大板（大きいナンバープレート）の文字*1に似せたものです。
上段数字（分類番号１・２・８・選択番号などの３）/下段数字（一連指定番号０～９　ハイフン　点）/下段ひらがなの一部（あ・い・う・を・か・き・く・け・こ・せ）を収録、事業者用大型車両の模型に適しています。

    ・使用するナンバープレートのフォント（地名・かな は 3種類を乱数で選択）
    font_test_m.jpg

  2. ナンバープレート生成プログラム「number_gen.py」を作成する
    ・8000枚のナンバープレート画像とラベルを生成する
    (py_learn) cd /anaconda_win/workspace_pylearn/number/
(py_learn) python number_gen.py
    ・生成したナンバープレートの例

    nm_sample_m.jpg

    ・ソースコード
    ▼「number_gen.py」

  3. データセット名を「nm_dataset」として配置するディレクトリを作成する
    ・以下のコマンドを実行 
    mkdir -p nm_dataset/train/images
mkdir -p nm_dataset/val/images
mkdir -p nm_dataset/train/labels
mkdir -p nm_dataset/val/labels
    ・作成結果
    (py_learn) tree
/anaconda_win/workspace_pylearn/number
├─nm_dataset
│  ├─train
│  │  ├─images
│  │  └─labels
│  └─val
│      ├─images
│      └─labels
  4. 「nm_dataset」ディレクトリに画像ファイルとラベルファイルを配置する
    検証用(val)：学習用(train) がおよそ 8:2 になるようにする
    ・検証用はファイル名の末尾が 1 (800個), 5 (800個) のもの計1600個を移動
    move dataset_f/labels/*1.txt nm_dataset/val/labels
move dataset_f/labels/*5.txt nm_dataset/val/labels
move dataset_f/images/*1.jpg nm_dataset/val/images
move dataset_f/images/*5.jpg nm_dataset/val/images
    ・学習用は残りのファイルを移動｛8000-1600 = 6400個）
    move dataset_f/labels/*.txt nm_dataset/train/labels
move dataset_f/images/*.jpg nm_dataset/train/images
  5. 「nm_dataset/」フォルダ内にファイル nm_dataset.yaml を作成
    ・データセットの配置場所は「yolov5/data/」フォルダとする
    ▼「nm_dataset.yaml」

  6. 「nm_dataset/」フォルダを「yolov5/data/」内にコピー（移動）する
↑

学習の実行 †

  1. エポック数 30/50/100 で実行する
    ・実行ディレクトリは「workspace_pylearn/yolov5/」
    ・学習モデルはデフォールト設定「yolov7s」を使用する
    ・学習結果フォルダ名は「nm_yolov5s_ep50」とする 
    (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 30 --name nm_yolov5s_ep50
    (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 50 --name nm_yolov5s_ep50
    (py_learn) python train.py --data data/nm_dataset/nm_dataset.yaml --weights yolov5s.pt --epochs 100 --name nm_yolov5s_ep50

  2. 学習の終了
    ▼　エポック数 30 実行ログ抜粋
    ▼　エポック数 50 実行ログ抜粋
    ▼　エポック数 100 実行ログ抜粋

  3. 学習回数の違いによる結果を比較する
    学習回数3050100
    バッチ数16
    学習モデルyolov5s.pt
    データセットnm_dataset
    学習結果nm_yolov5s_ep30nm_yolov5s_ep50nm_yolov5s_ep100
    F1 curve
    F1_curve_m.jpg
    F1_curve_m.jpg
    F1_curve_m.jpg
    P curve
    P_curve_m.jpg
    P_curve_m.jpg
    P_curve_m.jpg
    PR curve
    PR_curve_m.jpg
    PR_curve_m.jpg
    PR_curve_m.jpg
    R curve
    R_curve_m.jpg
    R_curve_m.jpg
    R_curve_m.jpg
    混同行列
    Confusion Matrix
    confusion_matrix.jpg
    confusion_matrix_m.jpg
    confusion_matrix_m.jpg
    評価指標
    results_m.jpg
    results_m.jpg
    results_m.jpg
    学習時間23分20秒38分31秒1時間16分19秒
  4. エポック数50 の結果が最も良さそうなので「nm_yolov5s_ep50」を使う
↑

実行結果を使って推論 †

  1. 「detect3_yolov5.py」で推論実行
    ・前項で作成した 2つまでの学習済みモデルを指定できる YOLO V5 物体検出プログラム「detect3_yolov5.py」で動作確認をする
    ・学習結果モデルを指定（ログレベルを'0'として識別経過を表示）
    (py_learn) python detect3_yolov5.py -m ./runs/train/vd_yolov5s_ep100/weights/best.pt -ms ./runs/train/nm_yolov5s_ep50/weights/best.pt -l ./data/nm_dataset/vd_names_jp -i ../number/test_data/japan79.jpg --log 0
    vehicle_detection02_s.jpg
    ・実行ログ
    (py_learn) python detect3_yolov5.py -m ./runs/train/vd_yolov5s_ep100/weights/best.pt -ms ./runs/train/nm_yolov5s_ep50/weights/best.pt -l ./data/nm_dataset/vd_names_jp -i ../number/test_data/japan79.jpg --log 0
 Starting..

Object detection+ YoloV5 Ver. 0.08: Starting application...
   OpenCV virsion : 4.9.0

   - Image File   :  ../number/test_data/japan79.jpg
   - YOLO v5      :  ultralytics/yolov5
   - Pretrained   :  ./runs/train/vd_yolov5s_ep100/weights/best.pt
   - Pretrained 2 :  ./runs/train/nm_yolov5s_ep50/weights/best.pt
   - Confidence lv:  0.25
   - Label file   :  ./data/nm_dataset/vd_names_jp
   - Program Title:  y
   - Speed flag   :  y
   - Processed out:  non
   - Use device   :  cuda:0
   - Log Level    :  0

Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
Adding AutoShape...
Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
Adding AutoShape...

** Bounding Box:
[[     117.31      68.326       463.6      223.57     0.85471           0]
 [     185.14         145      247.09      238.57     0.98435          11]
 [     237.82      146.53      309.99      238.75     0.97927           6]
 [     334.89      149.99      398.25      241.71     0.97658           7]
 [     395.26       148.3      456.66      245.42     0.96122           6]
 [     311.43      83.831       349.9      137.64     0.90122           9]
 [      351.6      84.356         392      136.87     0.86674          11]
 [     350.22      85.405      391.93      136.08     0.47585           7]]

(117, 68)-(463, 223)    ナンバー: 0.85
(185, 144)-(247, 238)   9: 0.98
(237, 146)-(309, 238)   4: 0.98
(334, 149)-(398, 241)   5: 0.98
(395, 148)-(456, 245)   4: 0.96
(311, 83)-(349, 137)    7: 0.90
(351, 84)-(392, 136)    9: 0.87
(350, 85)-(391, 136)    5: 0.48

FPS average:       6.90

 Finished.

  2. 識別結果からナンバープレート情報を得る手順
    nm_check_s.jpg
    1. 識別結果の Bounding Box を Y最小値でソート
    2. 上下を Yの 50/330 で分割する
    3. 上下それぞれ別々に X最小値でソート
    4. 上部地名の IDを検索して最初の文字にする（なければ '□□'）
    5. 下部かなの IDを検索して最初の文字にする（なければ '□'）
    6. 上下それぞれの文字に数字を加える
    7. 上下を足してナンバープレート識別結果とする
↑

ナンバープレート識別プログラムを作成 †

  1. 「detect3_number.py」
    ・入力画像からナンバープレートの領域と情報を同時に推論する
    detect_num11.jpg
  2. 「detect3_number.py」で推論実行
    ・学習結果モデルを指定（ログレベルを'0'として識別経過を表示）
    (py_learn) python detect3_number.py --log 0
    japan78_d3n_s.jpg
    ・実行ログ
    (py_learn) python detect3_number.py --log 0
 Starting..

Number plate detection YOLOv5 Ver. 0.08: Starting application...
   OpenCV virsion : 4.9.0

   - Image File   :  ../number/test_data/japan78.jpg
   - YOLO v5      :  ultralytics/yolov5
   - Pretrained   :  ./runs/train/vd_yolov5s_ep100/weights/best.pt
   - Pretrained 2 :  ./runs/train/nm_yolov5s_ep50/weights/best.pt
   - Confidence lv:  0.25
   - Label file   :  ./data/nm_dataset/vd_names_jp
   - Program Title:  y
   - Speed flag   :  y
   - Processed out:  non
   - Use device   :  cuda:0
   - Log Level    :  0

Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
Adding AutoShape...
Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
Adding AutoShape...

** プレートラベル:
['ナンバー', 'ナンバープレート', '0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'あ', 'い', 'う', 'え', 'か', 'き', 'く', 'け', 'こ', 'さ', 'す', 'せ', 'そ', 'た', 'ち', 'つ', 'て', 'と', 'な', 'に', 'ぬ', 'ね', 'の', 'は', 'ひ', 'ふ', 'ほ', 'ま', 'み', 'む', 'め', 'も', 'や', 'ゆ', 'よ', 'ら', 'り', 'る', 'れ', 'ろ', 'わ', 'を', '京都', 'なにわ', '大阪', '和泉', '堺', '奈良', '和歌山', '神戸', '徳島', '香川', '愛媛', '千葉']

** Bounding Box:
[[     61.591      38.322      510.12      262.66      0.4888           0]
 [     352.12      59.349      392.61      129.97     0.98521           2]
 [     315.72      59.296      354.99      131.48     0.98443           3]
 [     391.33      60.289       431.3      129.43     0.98215           2]
 [      344.3      148.63      433.98      289.92      0.9785           7]
 [     426.44      146.62      513.85      303.11     0.96134          10]
 [     84.134      152.66      159.09      231.37     0.58646          22]
 [     1.3103      181.38      54.892      325.32     0.57503          60]
 [     156.16      49.026      321.75      166.41     0.35428          55]]

Y** 最小値 を昇順にソートX:
[[     61.591      38.322      510.12      262.66      0.4888           0]
 [     156.16      49.026      321.75      166.41     0.35428          55]
 [     315.72      59.296      354.99      131.48     0.98443           3]
 [     352.12      59.349      392.61      129.97     0.98521           2]
 [     391.33      60.289       431.3      129.43     0.98215           2]
 [     426.44      146.62      513.85      303.11     0.96134          10]
 [      344.3      148.63      433.98      289.92      0.9785           7]
 [     84.134      152.66      159.09      231.37     0.58646          22]
 [     1.3103      181.38      54.892      325.32     0.57503          60]]

** 上下を分割する場所:
bbox = (61.59,38.32)-(510.12,262.66)  ylimit = 106.30  index = 5

** ナンバープレートの上部:
[[     61.591      38.322      510.12      262.66      0.4888           0]
 [     156.16      49.026      321.75      166.41     0.35428          55]
 [     315.72      59.296      354.99      131.48     0.98443           3]
 [     352.12      59.349      392.61      129.97     0.98521           2]
 [     391.33      60.289       431.3      129.43     0.98215           2]]

** ナンバープレートの下部:
[[     426.44      146.62      513.85      303.11     0.96134          10]
 [      344.3      148.63      433.98      289.92      0.9785           7]
 [     84.134      152.66      159.09      231.37     0.58646          22]
 [     1.3103      181.38      54.892      325.32     0.57503          60]]

** 上部 X最小値) を昇順にソート:
[[     61.591      38.322      510.12      262.66      0.4888           0]
 [     156.16      49.026      321.75      166.41     0.35428          55]
 [     315.72      59.296      354.99      131.48     0.98443           3]
 [     352.12      59.349      392.61      129.97     0.98521           2]
 [     391.33      60.289       431.3      129.43     0.98215           2]]

** 下部 X最小値) を昇順にソート:
[[     1.3103      181.38      54.892      325.32     0.57503          60]
 [     84.134      152.66      159.09      231.37     0.58646          22]
 [      344.3      148.63      433.98      289.92      0.9785           7]
 [     426.44      146.62      513.85      303.11     0.96134          10]]

** 上部下部を一つにする:
[[     61.591      38.322      510.12      262.66      0.4888           0]
 [     156.16      49.026      321.75      166.41     0.35428          55]
 [     315.72      59.296      354.99      131.48     0.98443           3]
 [     352.12      59.349      392.61      129.97     0.98521           2]
 [     391.33      60.289       431.3      129.43     0.98215           2]
 [     1.3103      181.38      54.892      325.32     0.57503          60]
 [     84.134      152.66      159.09      231.37     0.58646          22]
 [      344.3      148.63      433.98      289.92      0.9785           7]
 [     426.44      146.62      513.85      303.11     0.96134          10]]

** ナンバープレート解析結果: なにわ100 す58

FPS average:       7.80

 Finished.

  3. 「detect_number.py」
    ・入力画像からナンバープレートの領域を推論して、切り出し他画像から情報を推論する
    detect_num10.jpg
  4. 「detect_number.py」で推論実行
    ・学習結果モデルを指定（ログレベルを'0'として識別経過を表示）
    (py_learn) python detect_number.py --log 0
    japan74_dn_s.jpg
    ・実行ログ
    (py_learn) python detect_number.py --log 0
 Starting..

Number plate detection Ver. 0.09: Starting application...
   OpenCV virsion : 4.9.0

   - Image File   :  ../number/test_data/japan74.jpg
   - YOLO v5      :  ultralytics/yolov5
   - Pretrained   :  ./runs/train/vd_yolov5s_ep100/weights/best.pt
   - Pretrained 2 :  ./runs/train/nm_yolov5s_ep50/weights/best.pt
   - Confidence lv:  0.4
   - Label file   :  ./data/nm_dataset/names_jp
   - Program Title:  y
   - Speed flag   :  y
   - Processed out:  non
   - Use device   :  cuda:0
   - Log Level    :  0

Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7015519 parameters, 0 gradients, 15.8 GFLOPs
Adding AutoShape...

** プレートラベル:
['0', '1', '2', '3', '4', '5', '6', '7', '8', '9', 'あ', 'い', 'う', 'え', 'か', 'き', 'く', 'け', 'こ', 'さ', 'す', 'せ', 'そ', 'た', 'ち', 'つ', 'て', 'と', 'な', 'に', 'ぬ', 'ね', 'の', 'は', 'ひ', 'ふ', 'ほ', 'ま', 'み', 'む', 'め', 'も', 'や', 'ゆ', 'よ', 'ら', 'り', 'る', 'れ', 'ろ', 'わ', 'を', '京都', 'なにわ', '大阪', '和泉', '堺', '奈良', '和歌山', '神戸', '徳島', '香川', '愛媛', '千葉']
Using cache found in C:\Users\izuts/.cache\torch\hub\ultralytics_yolov5_master
YOLOv5  2024-4-9 Python-3.11.8 torch-2.2.1+cu121 CUDA:0 (NVIDIA GeForce RTX 4070 Ti, 12282MiB)

Fusing layers...
Model summary: 157 layers, 7182733 parameters, 0 gradients, 16.3 GFLOPs
Adding AutoShape...

** プレートの Bounding Box:
[[     168.33       60.04      414.33      173.39     0.85431           0]]

** プレート画像 Bounding Box:
[[     174.72       13.63      194.84      47.704     0.98788           0]
 [     155.33      12.984      175.65       47.85     0.98763           0]
 [      136.1      12.444      156.45       47.14     0.98613           3]
 [     92.386      54.675      140.81         113     0.98496           0]
 [     56.594      53.658      97.797         113     0.98449           7]
 [      153.8      56.805      193.96         113     0.98116           4]
 [     193.16      57.049      234.76         113     0.98103           5]
 [     21.854      59.884       55.78      93.946     0.58157          30]
 [     57.435      5.9446      138.67      45.611     0.57542          53]
 [     193.21           0       243.2      11.105     0.41337           2]
 [     61.161      10.435      133.51      45.012     0.38094          54]]

Y** 最小値 を昇順にソートX:
[[     193.21           0       243.2      11.105     0.41337           2]
 [     57.435      5.9446      138.67      45.611     0.57542          53]
 [     61.161      10.435      133.51      45.012     0.38094          54]
 [      136.1      12.444      156.45       47.14     0.98613           3]
 [     155.33      12.984      175.65       47.85     0.98763           0]
 [     174.72       13.63      194.84      47.704     0.98788           0]
 [     56.594      53.658      97.797         113     0.98449           7]
 [     92.386      54.675      140.81         113     0.98496           0]
 [      153.8      56.805      193.96         113     0.98116           4]
 [     193.16      57.049      234.76         113     0.98103           5]
 [     21.854      59.884       55.78      93.946     0.58157          30]]

** 上下を分割する場所:
bbox = (0.00,0.00)-(246.00,113.00)  ylimit = 34.24  index = 6

** ナンバープレートの上部:
[[     193.21           0       243.2      11.105     0.41337           2]
 [     57.435      5.9446      138.67      45.611     0.57542          53]
 [     61.161      10.435      133.51      45.012     0.38094          54]
 [      136.1      12.444      156.45       47.14     0.98613           3]
 [     155.33      12.984      175.65       47.85     0.98763           0]
 [     174.72       13.63      194.84      47.704     0.98788           0]]

** ナンバープレートの下部:
[[     56.594      53.658      97.797         113     0.98449           7]
 [     92.386      54.675      140.81         113     0.98496           0]
 [      153.8      56.805      193.96         113     0.98116           4]
 [     193.16      57.049      234.76         113     0.98103           5]
 [     21.854      59.884       55.78      93.946     0.58157          30]]

** 上部 X最小値) を昇順にソート:
[[     57.435      5.9446      138.67      45.611     0.57542          53]
 [     61.161      10.435      133.51      45.012     0.38094          54]
 [      136.1      12.444      156.45       47.14     0.98613           3]
 [     155.33      12.984      175.65       47.85     0.98763           0]
 [     174.72       13.63      194.84      47.704     0.98788           0]
 [     193.21           0       243.2      11.105     0.41337           2]]

** 下部 X最小値) を昇順にソート:
[[     21.854      59.884       55.78      93.946     0.58157          30]
 [     56.594      53.658      97.797         113     0.98449           7]
 [     92.386      54.675      140.81         113     0.98496           0]
 [      153.8      56.805      193.96         113     0.98116           4]
 [     193.16      57.049      234.76         113     0.98103           5]]

** 上部下部を一つにする:
[[     57.435      5.9446      138.67      45.611     0.57542          53]
 [     61.161      10.435      133.51      45.012     0.38094          54]
 [      136.1      12.444      156.45       47.14     0.98613           3]
 [     155.33      12.984      175.65       47.85     0.98763           0]
 [     174.72       13.63      194.84      47.704     0.98788           0]
 [     193.21           0       243.2      11.105     0.41337           2]
 [     21.854      59.884       55.78      93.946     0.58157          30]
 [     56.594      53.658      97.797         113     0.98449           7]
 [     92.386      54.675      140.81         113     0.98496           0]
 [      153.8      56.805      193.96         113     0.98116           4]
 [     193.16      57.049      234.76         113     0.98103           5]]

** ナンバープレート解析結果: なにわ300 ぬ7045

FPS average:       5.90

 Finished.

  5. 実行結果の比較 （ 左「detect_number.py」/ 右「detect3_number.py」)
    detect_num01.jpg
    detect_num02.jpg

  6. ソースコード
    ▼「detect3_number.py」
    ▼「detect_number.py」
     
↑

更新履歴 †

↑

参考資料 †

　　・ハイパーパラメータ

　　・「roboflow」のMask Wearing Datasetを使用

　　・学習用データセット作成