[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-parkpow--deep-license-plate-recognition":3,"tool-parkpow--deep-license-plate-recognition":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":123,"forks":124,"last_commit_at":125,"license":126,"difficulty_score":23,"env_os":127,"env_gpu":128,"env_ram":129,"env_deps":130,"category_tags":136,"github_topics":137,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":147,"updated_at":148,"faqs":149,"releases":175},2993,"parkpow\u002Fdeep-license-plate-recognition","deep-license-plate-recognition","Automatic License Plate Recognition (ALPR) or Automatic Number Plate Recognition (ANPR) software that works with any camera.","deep-license-plate-recognition 是一款基于深度神经网络的高精度自动车牌识别（ALPR\u002FANPR）软件，能够兼容任意摄像头进行工作。它主要解决了在光线昏暗、图像模糊、低分辨率或拍摄角度刁钻等复杂环境下，传统技术难以准确提取车牌信息的痛点。除了识别车牌号码，它还能同步分析车辆类型（如 SUV、货车）、品牌型号、颜色及朝向，并智能忽略保险杠贴纸等干扰信息。\n\n该软件覆盖全球 90 多个国家的车牌标准，特别针对美国、印度和巴西等地进行了优化，适用于停车场管理、高速公路监控、 toll 收费、警务安防及社区治理等多种场景。其核心亮点在于极快的推理速度（最快仅需 21 毫秒），并提供简洁的 REST API 接口，支持 8 种编程语言轻松集成，结果可通过 JSON 或 Webhooks 返回。此外，它具备强大的部署灵活性，不仅支持 Linux、Windows 和 Mac 系统，还能运行在 Raspberry Pi、NVIDIA Jetson 等边缘计算设备上，甚至支持 Kubernetes 集群部署。无论是需要快速构建原型的开发者，还是从事智能交通研究的专业人员，都能","deep-license-plate-recognition 是一款基于深度神经网络的高精度自动车牌识别（ALPR\u002FANPR）软件，能够兼容任意摄像头进行工作。它主要解决了在光线昏暗、图像模糊、低分辨率或拍摄角度刁钻等复杂环境下，传统技术难以准确提取车牌信息的痛点。除了识别车牌号码，它还能同步分析车辆类型（如 SUV、货车）、品牌型号、颜色及朝向，并智能忽略保险杠贴纸等干扰信息。\n\n该软件覆盖全球 90 多个国家的车牌标准，特别针对美国、印度和巴西等地进行了优化，适用于停车场管理、高速公路监控、 toll 收费、警务安防及社区治理等多种场景。其核心亮点在于极快的推理速度（最快仅需 21 毫秒），并提供简洁的 REST API 接口，支持 8 种编程语言轻松集成，结果可通过 JSON 或 Webhooks 返回。此外，它具备强大的部署灵活性，不仅支持 Linux、Windows 和 Mac 系统，还能运行在 Raspberry Pi、NVIDIA Jetson 等边缘计算设备上，甚至支持 Kubernetes 集群部署。无论是需要快速构建原型的开发者，还是从事智能交通研究的专业人员，都能利用 deep-license-plate-recognition 高效地实现从静态图片到实时视频流的车牌识别功能。","# Automatic License Plate Recognition Software (ALPR, ANPR)\n\nGet high-accuracy, developer-friendly **automatic license plate recognition** ([ALPR](https:\u002F\u002Fplaterecognizer.com\u002F?utm_source=github&utm_medium=website)) or automatic number plate recognition ([ANPR](https:\u002F\u002Fplaterecognizer.com\u002F?utm_source=github&utm_medium=website)) software! The core of our ALPR, ANPR system is based on state of the art deep neural networks architectures.\n\n- [Reading License Plates from **Images**](#reading-license-plates-from-images)\n  - [Process images from an FTP or SFTP server](#process-images-from-an-ftp-or-sftp-server)\n  - [Blurring License Plates and Redaction](#blurring-license-plates-and-redaction)\n  - [Benchmark](benchmark\u002F)\n- [Number Plate Recognition on a **Video** or Camera Stream](https:\u002F\u002Fplaterecognizer.com\u002Fstream\u002F?utm_source=github&utm_medium=website)\n- [Automatic Image Transfer](#automatic-image-transfer)\n- [**Code Samples**](#code-samples)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fparkpow_deep-license-plate-recognition_readme_f4ee55055f01.jpeg\">\n\u003C\u002Fp>\n\nOur machine-learning software:\n  - Works on **dark, low-res, blurry images** and tough angles, all vehicle types, etc.  See our full [ALPR results](https:\u002F\u002Fplaterecognizer.com\u002Falpr-results\u002F?utm_source=github&utm_medium=website).\n  - Decodes **license plate** , vehicle type (e.g. SUV, van, pickup truck), [**vehicle make model**](https:\u002F\u002Fplaterecognizer.com\u002Fvehicle-make-model-recognition-with-color\u002F?utm_source=github&utm_medium=website) (e.g. Honda Accord), color, and orientation. Ignores bumper stickers, car signs, etc.\n  - Is optimized for all [50 USA States](https:\u002F\u002Fplaterecognizer.com\u002Falpr-for-usa\u002F?utm_source=github&utm_medium=website), [India](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-for-india?utm_source=github&utm_medium=website), [Brazil](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-for-brazil\u002F?utm_source=github&utm_medium=website) and [**90+ countries worldwide**](https:\u002F\u002Fplaterecognizer.com\u002Fcountries\u002F?utm_source=github&utm_medium=website).\n\n**Snapshot** : Get license plate reader from images in under 60 minutes:\n- Access a **simple REST API** for easy integration in [8 programming languages](http:\u002F\u002Fdocs.platerecognizer.com\u002F?utm_source=github&utm_medium=website).\n- Returns results via **JSON Response** or Webhooks.\n- Has [fast inference speed](https:\u002F\u002Fplaterecognizer.com\u002Fsnapshot\u002F#speeds) up to 21 ms.\n- Runs on-premise on **Linux, Windows** , Mac, Jetson **,** [**Kubernetes**](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-on-kubernetes\u002F?utm_source=github&utm_medium=website), [Raspberry Pi](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-on-raspberry-pi\u002F?utm_source=github&utm_medium=website), [Zynq](https:\u002F\u002Fplaterecognizer.com\u002Falpr-for-xilinx-zynq\u002F?utm_source=github&utm_medium=website), [96Boards](https:\u002F\u002Fplaterecognizer.com\u002Falpr-for-96boards\u002F?utm_source=github&utm_medium=website), [LattePanda](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-on-lattepanda\u002F?utm_source=github&utm_medium=website) and more.\n\n**Stream** : Get number plate recognition from camera or video feed:\n- Returns license plate results via **CSV file** or [**Webhooks**](https:\u002F\u002Fplaterecognizer.com\u002Falpr-webhooks\u002F?utm_source=github&utm_medium=website).\n- Handles 4 cameras simultaneously on mid-range PC.\n- Runs on-premise on **Linux, Windows** , Mac and [**Jetson**](https:\u002F\u002Fplaterecognizer.com\u002Falpr-on-nvidia-jetson-devices\u002F?utm_source=github&utm_medium=website).\n\nALPR, ANPR software is ideal for parking, highway monitoring, toll, police surveillance, community security, and other use cases. Our [license plate recognition (LPR)](https:\u002F\u002Fplaterecognizer.com\u002Fsnapshot\u002F?utm_source=github&utm_medium=website) software can also forward results to our full **ALPR Dashboard** and [**Parking Management software**](https:\u002F\u002Fparkpow.com\u002F?utm_source=github&utm_medium=website) solution, ParkPow. Sign up for a [**Free Trial**](https:\u002F\u002Fapp.platerecognizer.com\u002Faccounts\u002Fsignup\u002F?utm_source=github&utm_medium=website) now (no credit card required) or **learn more** at [https:\u002F\u002Fplaterecognizer.com](https:\u002F\u002Fplaterecognizer.com\u002F).\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n## Reading License Plates from Images\n\nGet your API key from [Plate Recognizer](https:\u002F\u002Fplaterecognizer.com\u002F?utm_source=github&utm_medium=website). Replace **MY_API_KEY** with your API key and run the command below.\n> For setup instructions of the script, checkout our guides [here](https:\u002F\u002Fguides.platerecognizer.com\u002Fdocs\u002Fsnapshot\u002Fbulk-processing#images-in-a-local-folder)\n```\n# Getting started!\ngit clone https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition.git\ncd deep-license-plate-recognition\npip install requests pillow\n\npython plate_recognition.py --api-key MY_API_KEY \u002Fpath\u002Fto\u002Fvehicle.jpg\n```\n\nThe **result** includes the bounding `box`es (rectangle around object) and the `plate` value for each plate. View the details of the results on our [documentation](http:\u002F\u002Fdocs.platerecognizer.com\u002F#license-plate-recognition).\n\n```javascript\n[\n  {\n    \"version\": 1,\n    \"results\": [\n      {\n        \"box\": {\n          \"xmin\": 85,\n          \"ymin\": 85,\n          \"ymax\": 211,\n          \"xmax\": 331\n        },\n        \"plate\": \"ABC123\",\n        \"score\": 0.904,\n        \"dscore\": 0.92\n      }\n    ],\n    \"filename\": \"car.jpg\"\n  }\n]\n```\n\n\n#### Lookups For a Specific Region\n\nYou can match the license plate patterns of a specific region.\n\n`python plate_recognition.py --api-key MY_API_KEY --regions fr --regions it \u002Fpath\u002Fto\u002Fcar.jpg`\n\n\n\n#### Process Multiple Files (Batch Mode)\n\nYou can also run the license plate reader on many files at once. To run the script on all the images of a directory, use:\n\n`python plate_recognition.py --api-key MY_API_KEY \u002Fpath\u002Fto\u002Fcar1.jpg \u002Fpath\u002Fto\u002Fcar2.jpg \u002Fpath\u002Fto\u002Ftrucks*.jpg`\n\n\n#### Running the ALPR Locally (SDK)\n\nTo use a locally hosted sdk, pass the url to the docker container as follows:\n\n`python plate_recognition.py  --sdk-url http:\u002F\u002Flocalhost:8080 \u002Fpath\u002Fto\u002Fvehicle.jpg`\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n### Blurring License Plates and Redaction\n\nThe script `number_plate_redaction.py` differs from the default prediction script because it also detects plates that are **barely readable** and\u002For very small. It returns the bounding boxes of all the license plates. They can be used to blur or mask the license plates.\n\nIn addition, it can **split the image** in smaller images to better deal with high resolution images. This will use **3 lookups** instead of just 1. To use this options add `--split-image`.\n\nThe option `--save-blurred` lets you save blurred images. They are saved to a new file with `_blurred` suffix.\n\nThe option `--ignore-regexp` lets you specify a regex of plates to ignore from blur. This option can be specified multiple times.\n\nThe option `--ignore-no-bb` lets you ignore recognitions without a vehicle bounding box from blur.\n\n```\npython number_plate_redaction.py --help\npython number_plate_redaction.py --api-key API_KEY vehicels.jpg\npython number_plate_redaction.py --sdk-url http:\u002F\u002Flocalhost:8080 --split-image vehicels.jpg\n\npython number_plate_redaction.py --api-key 77c### 58C5A57_14965463.jpg --save-blurred --ignore-regexp ^58c5a57$ --ignore-regexp ^[0-9][0-9]c5a57$\n\n```\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n### Process images from an FTP or SFTP server\n\nYou can send images directly to our FTP. See our [FTP integration](https:\u002F\u002Fapp.platerecognizer.com\u002Fstart\u002Fcamera-software) for details.\n\nIf you want to use your own FTP or SFTP server, another option is to process images with `ftp_and_sftp_processor.py`:\n> For setup instructions of the script, checkout our guides [here](https:\u002F\u002Fguides.platerecognizer.com\u002Fdocs\u002Fsnapshot\u002Fbulk-processing#images-are-on-an-ftp-or-sftp-server)\n\n`python ftp_and_sftp_processor.py --api-key MY_API_KEY --hostname FTP_HOST_NAME --ftp-user FTP_USER --ftp-password FTP_USER_PASSWORD --folder \u002Fpath\u002Fto\u002Fserver_folder`\n\nBy default the script is prepared to process images in FTP servers, if you want to process images in an SFTP server, add the argument `--protocol sftp`.\n\nTo remove images from FTP or SFTP server after processing, add the argument `--delete`.\n\n| Arguments              | Description                                                                                 |\n|------------------------|---------------------------------------------------------------------------------------------|\n| -h, --help             | Show help message                                                                           |\n| -a, --api-key          | Your API key.                                                                               |\n| -r, --regions          | Match the license plate pattern for a specific region.                                      |\n| -s, --sdk-url          | URL to self-hosted SDK. For example, http:\u002F\u002Flocalhost:8080                                  |\n| -c, --protocol         | Protocol to use, available choices 'ftp'(default) or 'sftp'                                          |\n| -t, --timestamp        | Timestamp.                                                                                  |\n| -H, --hostname         | Host.                                                                                       |\n| -p, --port             | Port                                                                                        |\n| -U, --ftp-user         | Transfer protocol server user                                                               |\n| -P, --ftp-password     | Transfer protocol server user's password                                                    |\n| -d, --delete           | Remove images from the FTP server after processing. Optionally specify a timeout in seconds.|\n| -f, --folder           | Specify a folder with images on the FTP server.                                             |\n| -o, --output-file      | Save the result to a file.                                                                  |\n| -i, --interval         | Periodically fetch new images from the server every interval seconds.                       |\n| --camera-id            | Name of the source camera.                                                                  |\n| --cameras-root         | Root folder containing dynamic cameras.                                                     |\n| --format               | Format of the result, available choices 'json'(default) or 'csv'                            |\n| --mmc                  | Predict vehicle make and model (SDK only). It has to be enabled.                            |\n| --pkey                 | SFTP Private Key Path.                                                                      |\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n## Automatic Image Transfer\n\nAutomatic Image Transfer is a command line tool that runs our [ALPR Engine](https:\u002F\u002Fplaterecognizer.com). It **monitors a folder** and automatically process images (Cloud or SDK) as they are added. Once processed, images are moved to an archive directory. It can also **forward the results** to our parking management service [Parkpow](https:\u002F\u002Fparkpow.com\u002F?utm_source=github&utm_medium=website).\n\nTo get started: `python transfer.py --help`\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n## Code Samples\n\nSee our sample projects to easily get started with the API.\n- Example program in [C++](cpp\u002F).\n- Example program in [C#](csharp\u002F).\n- Example program in [Java](java\u002F).\n- [Android App](https:\u002F\u002Fgithub.com\u002Fparkpow\u002Falpr-anpr-android). It lets you take a picture and send it to our API.\n- [Android App](https:\u002F\u002Fgithub.com\u002Fkjbaker-uk\u002Fplaterecognizer-android-example) in Kotlin.\n- View how to integrate with other languages in our [documentation](http:\u002F\u002Fdocs.platerecognizer.com\u002F#introduction).\n- A Node-RED node for [license plate recognition](https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fnode-red-contrib-plate-recognizer).\n- Or [convert](https:\u002F\u002Fcurlconverter.com\u002F) the curl examples to other languages.\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n---\nHave questions?  [Let us know](https:\u002F\u002Fplaterecognizer.com\u002Fcontact?utm_source=github&utm_medium=website) how we can help.\n\nProvided by Plate Recognizer, a subsidiary of [ParkPow](https:\u002F\u002Fparkpow.com\u002F?utm_source=github&utm_medium=website).\n","# 自动车牌识别软件（ALPR、ANPR）\n\n获取高精度、开发友好的**自动车牌识别**（[ALPR](https:\u002F\u002Fplaterecognizer.com\u002F?utm_source=github&utm_medium=website)）或**自动号牌识别**（[ANPR](https:\u002F\u002Fplaterecognizer.com\u002F?utm_source=github&utm_medium=website)）软件！我们的ALPR、ANPR系统的核心基于最先进的深度神经网络架构。\n\n- [从**图像**中读取车牌](#reading-license-plates-from-images)\n  - [处理来自FTP或SFTP服务器的图像](#process-images-from-an-ftp-or-sftp-server)\n  - [模糊车牌与信息遮盖](#blurring-license-plates-and-redaction)\n  - [基准测试](benchmark\u002F)\n- [在**视频**或摄像头流上进行号牌识别](https:\u002F\u002Fplaterecognizer.com\u002Fstream\u002F?utm_source=github&utm_medium=website)\n- [自动图像传输](#automatic-image-transfer)\n- [**代码示例**](#code-samples)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fparkpow_deep-license-plate-recognition_readme_f4ee55055f01.jpeg\">\n\u003C\u002Fp>\n\n我们的机器学习软件：\n  - 可以处理**黑暗、低分辨率、模糊的图像**以及复杂角度，适用于所有类型的车辆等。请参阅我们的完整[ALPR结果](https:\u002F\u002Fplaterecognizer.com\u002Falpr-results\u002F?utm_source=github&utm_medium=website)。\n  - 能够解码**车牌号码**、车辆类型（如SUV、面包车、皮卡）、[**车辆品牌和型号**](https:\u002F\u002Fplaterecognizer.com\u002Fvehicle-make-model-recognition-with-color\u002F?utm_source=github&utm_medium=website)（如本田雅阁）、颜色和方向。同时会忽略保险杠贴纸、车内标志等干扰因素。\n  - 针对全美[50个州](https:\u002F\u002Fplaterecognizer.com\u002Falpr-for-usa\u002F?utm_source=github&utm_medium=website)、[印度](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-for-india?utm_source=github&utm_medium=website)、[巴西](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-for-brazil\u002F?utm_source=github&utm_medium=website)以及全球[90多个国家和地区](https:\u002F\u002Fplaterecognizer.com\u002Fcountries\u002F?utm_source=github&utm_medium=website)进行了优化。\n\n**Snapshot**：在60分钟内从图像中获取车牌识别结果：\n- 提供一个**简单的REST API**，便于在[8种编程语言](http:\u002F\u002Fdocs.platerecognizer.com\u002F?utm_source=github&utm_medium=website)中集成。\n- 通过**JSON响应**或Webhook返回结果。\n- 具有[快速推理速度](https:\u002F\u002Fplaterecognizer.com\u002Fsnapshot\u002F#speeds)，最快可达21毫秒。\n- 支持本地部署，可在**Linux、Windows**、Mac、Jetson、[**Kubernetes**](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-on-kubernetes\u002F?utm_source=github&utm_medium=website)、[树莓派](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-on-raspberry-pi\u002F?utm_source=github&utm_medium=website)、[Zynq](https:\u002F\u002Fplaterecognizer.com\u002Falpr-for-xilinx-zynq\u002F?utm_source=github&utm_medium=website)、[96Boards](https:\u002F\u002Fplaterecognizer.com\u002Falpr-for-96boards\u002F?utm_source=github&utm_medium=website)、[LattePanda](https:\u002F\u002Fplaterecognizer.com\u002Fanpr-on-lattepanda\u002F?utm_source=github&utm_medium=website)等平台上运行。\n\n**Stream**：从摄像头或视频流中获取号牌识别结果：\n- 通过**CSV文件**或[**Webhook**](https:\u002F\u002Fplaterecognizer.com\u002Falpr-webhooks\u002F?utm_source=github&utm_medium=website)返回车牌结果。\n- 在中端PC上可同时处理4路摄像头。\n- 支持本地部署，可在**Linux、Windows**、Mac以及[**Jetson**](https:\u002F\u002Fplaterecognizer.com\u002Falpr-on-nvidia-jetson-devices\u002F?utm_source=github&utm_medium=website)平台上运行。\n\nALPR、ANPR软件非常适合用于停车场管理、高速公路监控、收费站、警方监控、社区安防等场景。我们的[车牌识别（LPR）](https:\u002F\u002Fplaterecognizer.com\u002Fsnapshot\u002F?utm_source=github&utm_medium=website)软件还可以将结果转发至我们的完整**ALPR仪表盘**以及[**停车场管理软件**](https:\u002F\u002Fparkpow.com\u002F?utm_source=github&utm_medium=website)解决方案ParkPow。立即注册[**免费试用**](https:\u002F\u002Fapp.platerecognizer.com\u002Faccounts\u002Fsignup\u002F?utm_source=github&utm_medium=website)（无需信用卡），或访问[https:\u002F\u002Fplaterecognizer.com](https:\u002F\u002Fplaterecognizer.com\u002F)了解更多。\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n## 从图像中读取车牌\n\n从[Plate Recognizer](https:\u002F\u002Fplaterecognizer.com\u002F?utm_source=github&utm_medium=website)获取您的API密钥。将**MY_API_KEY**替换为您的API密钥，并运行以下命令。\n> 如需了解脚本的设置说明，请查看我们的指南[这里](https:\u002F\u002Fguides.platerecognizer.com\u002Fdocs\u002Fsnapshot\u002Fbulk-processing#images-in-a-local-folder)\n```\n# 开始使用！\ngit clone https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition.git\ncd deep-license-plate-recognition\npip install requests pillow\n\npython plate_recognition.py --api-key MY_API_KEY \u002Fpath\u002Fto\u002Fvehicle.jpg\n```\n\n**结果**包含每个车牌的边界框（围绕物体的矩形）和`plate`值。您可以在我们的[文档](http:\u002F\u002Fdocs.platerecognizer.com\u002F#license-plate-recognition)中查看详细结果。\n\n```javascript\n[\n  {\n    \"version\": 1,\n    \"results\": [\n      {\n        \"box\": {\n          \"xmin\": 85,\n          \"ymin\": 85,\n          \"ymax\": 211,\n          \"xmax\": 331\n        },\n        \"plate\": \"ABC123\",\n        \"score\": 0.904,\n        \"dscore\": 0.92\n      }\n    ],\n    \"filename\": \"car.jpg\"\n  }\n]\n```\n\n\n#### 针对特定地区的查询\n\n您可以匹配特定地区的车牌格式。\n\n`python plate_recognition.py --api-key MY_API_KEY --regions fr --regions it \u002Fpath\u002Fto\u002Fcar.jpg`\n\n\n\n#### 处理多个文件（批量模式）\n\n您也可以一次性对多个文件运行车牌识别程序。要对目录中的所有图像运行脚本，请使用：\n\n`python plate_recognition.py --api-key MY_API_KEY \u002Fpath\u002Fto\u002Fcar1.jpg \u002Fpath\u002Fto\u002Fcar2.jpg \u002Fpath\u002Fto\u002Ftrucks*.jpg`\n\n\n#### 在本地运行ALPR（SDK）\n\n要使用本地托管的SDK，请按如下方式传递Docker容器的URL：\n\n`python plate_recognition.py  --sdk-url http:\u002F\u002Flocalhost:8080 \u002Fpath\u002Fto\u002Fvehicle.jpg`\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n### 车牌模糊处理与遮盖\n\n脚本 `number_plate_redaction.py` 与默认的预测脚本不同，因为它还能检测**几乎无法识别**和\u002F或非常小的车牌。它会返回所有车牌的边界框，这些边界框可用于对车牌进行模糊处理或遮盖。\n\n此外，该脚本还可以将图像**分割成更小的块**，以便更好地处理高分辨率图像。这样每次处理时会进行**3次查询**，而不是仅1次。要使用此选项，请添加 `--split-image` 参数。\n\n`--save-blurred` 选项允许您保存模糊后的图像。这些图像会被保存为带有 `_blurred` 后缀的新文件。\n\n`--ignore-regexp` 选项允许您指定一个正则表达式，用于忽略某些车牌的模糊处理。此选项可以多次指定。\n\n`--ignore-no-bb` 选项允许您在模糊处理时忽略那些没有车辆边界框的识别结果。\n\n```\npython number_plate_redaction.py --help\npython number_plate_redaction.py --api-key API_KEY vehicels.jpg\npython number_plate_redaction.py --sdk-url http:\u002F\u002Flocalhost:8080 --split-image vehicels.jpg\n\npython number_plate_redaction.py --api-key 77c### 58C5A57_14965463.jpg --save-blurred --ignore-regexp ^58c5a57$ --ignore-regexp ^[0-9][0-9]c5a57$\n```\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n### 从 FTP 或 SFTP 服务器处理图像\n\n您可以直接将图像发送到我们的 FTP 服务器。有关详细信息，请参阅我们的 [FTP 集成文档](https:\u002F\u002Fapp.platerecognizer.com\u002Fstart\u002Fcamera-software)。\n\n如果您希望使用自己的 FTP 或 SFTP 服务器，另一种选择是使用 `ftp_and_sftp_processor.py` 脚本来处理图像：\n> 有关该脚本的设置说明，请查看我们的指南 [这里](https:\u002F\u002Fguides.platerecognizer.com\u002Fdocs\u002Fsnapshot\u002Fbulk-processing#images-are-on-an-ftp-or-sftp-server)\n\n`python ftp_and_sftp_processor.py --api-key MY_API_KEY --hostname FTP_HOST_NAME --ftp-user FTP_USER --ftp-password FTP_USER_PASSWORD --folder \u002Fpath\u002Fto\u002Fserver_folder`\n\n默认情况下，该脚本适用于处理 FTP 服务器中的图像；如果需要处理 SFTP 服务器中的图像，则需添加 `--protocol sftp` 参数。\n\n若要在处理完成后从 FTP 或 SFTP 服务器中删除图像，可添加 `--delete` 参数。\n\n| 参数              | 描述                                                                                 |\n|------------------------|---------------------------------------------------------------------------------------------|\n| -h, --help             | 显示帮助信息                                                                           |\n| -a, --api-key          | 您的 API 密钥。                                                                               |\n| -r, --regions          | 匹配特定地区的车牌格式。                                      |\n| -s, --sdk-url          | 自托管 SDK 的 URL。例如，http:\u002F\u002Flocalhost:8080                                  |\n| -c, --protocol         | 使用的协议，可选值为 'ftp'（默认）或 'sftp'                                          |\n| -t, --timestamp        | 时间戳。                                                                                  |\n| -H, --hostname         | 主机。                                                                                       |\n| -p, --port             | 端口                                                                                        |\n| -U, --ftp-user         | 传输协议服务器用户                                                               |\n| -P, --ftp-password     | 传输协议服务器用户密码                                                    |\n| -d, --delete           | 处理后从 FTP 服务器中删除图像。可选地指定超时时间（以秒为单位）。|\n| -f, --folder           | 指定 FTP 服务器上存放图像的文件夹。                                             |\n| -o, --output-file      | 将结果保存到文件。                                                                  |\n| -i, --interval         | 按照指定的时间间隔定期从服务器获取新图像。                       |\n| --camera-id            | 来源摄像头的名称。                                                                  |\n| --cameras-root         | 包含动态摄像头的根目录。                                                     |\n| --format               | 结果格式，可选值为 'json'（默认）或 'csv'                            |\n| --mmc                  | 预测车辆的品牌和型号（仅限 SDK）。必须启用。                            |\n| --pkey                 | SFTP 私钥路径。                                                                      |\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n## 自动图像传输\n\n自动图像传输是一个命令行工具，它运行我们的 [ALPR 引擎](https:\u002F\u002Fplaterecognizer.com)。它可以**监控一个文件夹**，并在图像被添加时自动进行处理（云端或 SDK）。处理完成后，图像会被移动到归档目录。它还可以将**结果转发**到我们的停车管理服务 [Parkpow](https:\u002F\u002Fparkpow.com\u002F?utm_source=github&utm_medium=website)。\n\n开始使用：`python transfer.py --help`\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n## 代码示例\n\n请参阅我们的示例项目，以便快速上手 API。\n- [C++](cpp\u002F) 示例程序。\n- [C#](csharp\u002F) 示例程序。\n- [Java](java\u002F) 示例程序。\n- [Android 应用](https:\u002F\u002Fgithub.com\u002Fparkpow\u002Falpr-anpr-android)，可拍摄照片并发送至我们的 API。\n- [Kotlin 版 Android 应用](https:\u002F\u002Fgithub.com\u002Fkjbaker-uk\u002Fplaterecognizer-android-example)。\n- 在我们的[文档](http:\u002F\u002Fdocs.platerecognizer.com\u002F#introduction)中查看如何与其他语言集成。\n- 用于车牌识别的 Node-RED 节点 [plate-recognizer](https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fnode-red-contrib-plate-recognizer)。\n- 或者使用 [curlconverter.com](https:\u002F\u002Fcurlconverter.com\u002F) 将 curl 示例转换为其他语言。\n\n\u003Cbr>\u003Cbr>\u003Cbr>\n\n---\n您有任何问题吗？请通过 [联系我们](https:\u002F\u002Fplaterecognizer.com\u002Fcontact?utm_source=github&utm_medium=website) 告诉我们，我们将竭诚为您服务。\n\n由 Plate Recognizer 提供，它是 [ParkPow](https:\u002F\u002Fparkpow.com\u002F?utm_source=github&utm_medium=website) 的子公司。","# deep-license-plate-recognition 快速上手指南\n\ndeep-license-plate-recognition 是一款基于深度神经网络的高精度自动车牌识别（ALPR\u002FANPR）工具。它支持从图片或视频流中识别车牌、车型、颜色等信息，适用于停车管理、交通监控等场景。\n\n## 环境准备\n\n*   **操作系统**：支持 Linux、Windows、macOS。也可运行于 Raspberry Pi、NVIDIA Jetson 等设备。\n*   **Python 版本**：建议 Python 3.6 及以上。\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `requests` (HTTP 请求库)\n    *   `pillow` (图像处理库)\n*   **API Key**：使用前需前往 [Plate Recognizer](https:\u002F\u002Fplaterecognizer.com\u002F) 注册并获取 API Key（提供免费试用，无需信用卡）。\n    *   *注：若需离线本地部署，需自行搭建 SDK 服务（Docker 容器），本指南主要介绍云端 API 调用方式。*\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition.git\n    cd deep-license-plate-recognition\n    ```\n\n2.  **安装 Python 依赖**\n    ```bash\n    pip install requests pillow\n    ```\n    > **国内加速提示**：若下载速度较慢，可使用国内镜像源安装：\n    > `pip install requests pillow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 基本使用\n\n以下示例展示如何识别单张车辆图片中的车牌。\n\n1.  **准备图片**：确保你有一张包含车辆的图片（例如 `vehicle.jpg`）。\n2.  **执行识别命令**：\n    将命令中的 `MY_API_KEY` 替换为你在官网获取的真实 API Key，并将 `\u002Fpath\u002Fto\u002Fvehicle.jpg` 替换为实际图片路径。\n\n    ```bash\n    python plate_recognition.py --api-key MY_API_KEY \u002Fpath\u002Fto\u002Fvehicle.jpg\n    ```\n\n3.  **查看结果**：\n    程序将输出 JSON 格式的结果，包含车牌位置坐标 (`box`)、识别出的车牌号 (`plate`) 以及置信度分数 (`score`)。\n\n    **输出示例：**\n    ```javascript\n    [\n      {\n        \"version\": 1,\n        \"results\": [\n          {\n            \"box\": {\n              \"xmin\": 85,\n              \"ymin\": 85,\n              \"ymax\": 211,\n              \"xmax\": 331\n            },\n            \"plate\": \"ABC123\",\n            \"score\": 0.904,\n            \"dscore\": 0.92\n          }\n        ],\n        \"filename\": \"car.jpg\"\n      }\n    ]\n    ```\n\n### 进阶用法简述\n\n*   **指定识别区域**：提高特定国家\u002F地区车牌的识别准确率。\n    ```bash\n    python plate_recognition.py --api-key MY_API_KEY --regions fr --regions it \u002Fpath\u002Fto\u002Fcar.jpg\n    ```\n*   **批量处理**：一次性处理目录下的多张图片。\n    ```bash\n    python plate_recognition.py --api-key MY_API_KEY \u002Fpath\u002Fto\u002Fcar1.jpg \u002Fpath\u002Fto\u002Fcar2.jpg \u002Fpath\u002Fto\u002Ftrucks*.jpg\n    ```\n*   **本地 SDK 模式**：如果你部署了本地 SDK 服务，可通过 `--sdk-url` 指定地址，无需消耗云端配额。\n    ```bash\n    python plate_recognition.py --sdk-url http:\u002F\u002Flocalhost:8080 \u002Fpath\u002Fto\u002Fvehicle.jpg\n    ```","某大型物流园区的安保团队正试图利用现有的普通监控摄像头，实现对进出货运车辆的车牌自动识别与通行记录管理。\n\n### 没有 deep-license-plate-recognition 时\n- **夜间识别率极低**：园区出入口光线昏暗，传统 OCR 技术无法看清污损或反光的车牌，导致大量货车需人工拦截核对，造成高峰期严重拥堵。\n- **开发集成成本高**：安保系统需要适配不同品牌的摄像头和 Linux 服务器，缺乏统一的 API 接口，开发团队耗时数周仍难以打通数据流。\n- **车型信息缺失**：系统仅能尝试读取字符，无法区分私家车、厢式货车或重型卡车，导致园区无法按车型执行差异化的收费或分流策略。\n- **隐私合规风险**：在将监控录像归档时，缺乏自动模糊车牌的功能，直接存储原始视频面临泄露车主隐私的法律风险。\n\n### 使用 deep-license-plate-recognition 后\n- **全天候高精度识别**：借助其深度神经网络，即使在低分辨率、大角度或夜间强光干扰下，也能精准提取车牌号，车辆通行效率提升 80%。\n- **快速落地集成**：通过简单的 REST API 即可在现有 Linux 服务器上完成部署，支持 JSON 格式返回结果，开发人员仅需半天即可完成系统对接。\n- **多维车辆分析**：不仅能识别车牌，还能同步输出车辆类型（如 SUV、皮卡）及颜色信息，帮助园区自动实施精细化的交通管控。\n- **自动化隐私保护**：利用内置的红action功能，系统在存储视频前自动模糊处理车牌区域，完美满足数据隐私合规要求。\n\ndeep-license-plate-recognition 让普通摄像头瞬间升级为智能交通哨兵，以极低的开发成本实现了全天候、高精度的车辆数字化管理。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fparkpow_deep-license-plate-recognition_f4ee5505.jpg","parkpow","ParkPow & Plate Recognizer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fparkpow_9595d0ff.jpg","Vehicle Identification and Parking Lot Management Solutions",null,"https:\u002F\u002Fplaterecognizer.com\u002F","https:\u002F\u002Fgithub.com\u002Fparkpow",[84,88,92,96,100,104,108,112,115,119],{"name":85,"color":86,"percentage":87},"C++","#f34b7d",29.4,{"name":89,"color":90,"percentage":91},"Python","#3572A5",26,{"name":93,"color":94,"percentage":95},"C","#555555",21.3,{"name":97,"color":98,"percentage":99},"TypeScript","#3178c6",17.9,{"name":101,"color":102,"percentage":103},"Rust","#dea584",1.3,{"name":105,"color":106,"percentage":107},"Makefile","#427819",1.2,{"name":109,"color":110,"percentage":111},"JavaScript","#f1e05a",0.6,{"name":113,"color":114,"percentage":111},"C#","#178600",{"name":116,"color":117,"percentage":118},"CSS","#663399",0.5,{"name":120,"color":121,"percentage":122},"HTML","#e34c26",0.4,650,134,"2026-04-03T05:52:50","MIT","Linux, Windows, macOS","未说明 (支持在 Jetson、Raspberry Pi 等边缘设备运行，暗示对特定 GPU 非强依赖，主要依赖 API 或本地 SDK)","未说明",{"notes":131,"python":132,"dependencies":133},"该工具核心为基于云端的 REST API 服务，本地脚本仅作为客户端调用。若使用云端 API 无需高性能本地硬件；若部署本地 SDK (Self-hosted SDK)，需通过 Docker 容器运行，支持 Linux、Windows、Mac 及多种边缘设备 (如 NVIDIA Jetson, Raspberry Pi)。主要功能包括车牌识别、车辆属性分析及隐私遮挡处理。","未说明 (需能运行 pip install requests pillow)",[134,135],"requests","pillow",[13,14],[138,139,140,141,142,143,144,145,146],"ocr","machine-learning","deep-learning","anpr","alpr","plate-detection","bounding-boxes","license-plate-recognition","number-plate-recognition","2026-03-27T02:49:30.150509","2026-04-06T05:44:18.482251",[150,155,160,165,170],{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},13806,"Docker 容器启动失败并报错 'Low disk space. Make sure to have at least 100MB of free disk space.'，如何解决？","这通常是因为 WSL 2 的虚拟硬盘（VHD）已满。即使宿主机有空间，WSL 2 内部的 overlay 文件系统也可能达到上限（默认最大 256GB）。\n解决方案：\n1. 检查容器内磁盘使用情况：在容器内运行 `df -h`，如果看到 `\u002F` 或 `\u002Flicense` 的使用率为 100%，则确认为此问题。\n2. 调整 WSL 2 VHD 大小：参考微软官方文档进行扩容或清理操作 (https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fwindows\u002Fwsl\u002Fvhd-size)。\n3. 清理未使用的 Docker 资源：在宿主机运行 `docker system prune` 释放空间。","https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition\u002Fissues\u002F79",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},13807,"在 ARM 架构设备（如 Raspberry Pi 或 ARM Mac）上运行 Docker 时遇到 'Connection refused' 错误怎么办？","首先确认您使用的 Docker 镜像是否支持当前的硬件架构。维护者指出某些旧版本或特定硬件（如 armv7l）可能不受支持。\n排查步骤：\n1. 确认镜像标签：确保使用了专为 Raspberry Pi 构建的镜像（例如 `platerecognizer\u002Falpr-raspberry-pi`）。\n2. 检查启动日志：运行 `docker run` 后，观察日志在显示 'Loading...' 之后是否有进一步输出。如果程序卡住未完全启动，API 端口就不会监听，从而导致连接被拒绝。\n3. 如果硬件确实不支持，需联系官方获取适配版本或更换硬件环境。","https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition\u002Fissues\u002F57",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},13808,"配置了多个摄像头后，Stream Monitor 的状态接口返回 `{\"active\": True, \"cameras\": {}}`（摄像头列表为空），如何修复？","这是一个已知的问题，通常在配置多个摄像头时出现，导致状态接口无法正确列出已激活的摄像头。\n解决方案：\n该问题已在代码库的 PR #125 中修复。请拉取最新的代码或更新到包含此修复的最新版本。\n修复内容涉及对多摄像头状态检测逻辑的修正。如果您仍在使用旧版本，建议升级；若升级后问题依旧，可尝试重启服务或联系支持人员进行屏幕共享调试。","https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition\u002Fissues\u002F121",{"id":166,"question_zh":167,"answer_zh":168,"source_url":169},13809,"使用 ffmpegcv 读取视频帧率（FPS）不准确（例如误读为 60 或其他错误数值），导致视频处理速度异常，如何解决？","`ffmpegcv` 库在某些视频文件上自动检测 FPS 存在缺陷。\n临时解决方案：\n1. 手动指定 FPS：设置环境变量 `FPS` 来覆盖自动检测的值，强制程序使用正确的帧率。\n2. 替换读取方法：在代码中将 `ffmpegcv` 替换为标准的 OpenCV 方法 `cap.get(cv2.CAP_PROP_FPS)`（注意：部分视频仍可能报告错误值）。\n长期方案：\n项目方已提交修复方案，通过计算 500ms 内的帧数来手动推算 FPS，以提高准确性。建议更新到包含此修复的最新版本。","https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition\u002Fissues\u002F144",{"id":171,"question_zh":172,"answer_zh":173,"source_url":174},13810,"在 Nginx 反向代理后部署 ParkPow 时，登录出现 '403 Forbidden (Origin checking failed)' CSRF 错误，如何配置？","这是因为反向代理未正确传递协议头，导致 Django 的 CSRF 校验失败。\n解决方案：\n1. 修改 Nginx 配置文件：在 `location` 块中添加以下行，确保将原始请求协议传递给后端：\n   `proxy_set_header X-Forwarded-Proto $scheme;`\n2. 如果使用 Bunkerized Nginx：可以通过设置环境变量 `REFERRER_POLICY` 为 `same-origin` 来解决相关的安全头问题。\n3. 重启 Nginx 和 ParkPow 服务使配置生效。","https:\u002F\u002Fgithub.com\u002Fparkpow\u002Fdeep-license-plate-recognition\u002Fissues\u002F124",[]]