[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-we0091234--Chinese_license_plate_detection_recognition":3,"tool-we0091234--Chinese_license_plate_detection_recognition":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",159267,2,"2026-04-17T11:29:14",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":32,"env_os":102,"env_gpu":103,"env_ram":102,"env_deps":104,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":148},8590,"we0091234\u002FChinese_license_plate_detection_recognition","Chinese_license_plate_detection_recognition","yolov5 车牌检测   车牌识别   中文车牌识别 检测 支持12种中文车牌 支持双层车牌","Chinese_license_plate_detection_recognition 是一款基于 YOLOv5 架构的开源车牌检测与识别工具，专为处理复杂的中国车牌场景设计。它有效解决了传统算法在应对多样化车牌类型时准确率不足的问题，能够精准完成从定位到字符识别的全流程任务。\n\n该工具的核心亮点在于其广泛的兼容性，全面支持包括单行蓝黄牌、新能源绿牌、警用白牌、双层大车牌照以及港澳粤 Z 牌在内的 12 种中文车牌类型，甚至能处理双层结构车牌的识别难题。项目提供了完整的训练指南和预训练模型，用户只需简单运行脚本即可对图片或视频进行快速测试。此外，它还具备良好的工程落地能力，支持导出为 ONNX 格式，并提供了安卓 NCNN、TensorRT 及 OpenVINO 等多种部署方案，方便在不同硬件平台上运行。\n\n这款工具非常适合计算机视觉开发者、人工智能研究人员以及需要集成车牌识别功能的企业技术人员使用。无论是用于构建智能交通系统、停车场管理方案，还是作为学习深度学习目标检测与序列识别的教学案例，Chinese_license_plate_detection_recognition 都是一","Chinese_license_plate_detection_recognition 是一款基于 YOLOv5 架构的开源车牌检测与识别工具，专为处理复杂的中国车牌场景设计。它有效解决了传统算法在应对多样化车牌类型时准确率不足的问题，能够精准完成从定位到字符识别的全流程任务。\n\n该工具的核心亮点在于其广泛的兼容性，全面支持包括单行蓝黄牌、新能源绿牌、警用白牌、双层大车牌照以及港澳粤 Z 牌在内的 12 种中文车牌类型，甚至能处理双层结构车牌的识别难题。项目提供了完整的训练指南和预训练模型，用户只需简单运行脚本即可对图片或视频进行快速测试。此外，它还具备良好的工程落地能力，支持导出为 ONNX 格式，并提供了安卓 NCNN、TensorRT 及 OpenVINO 等多种部署方案，方便在不同硬件平台上运行。\n\n这款工具非常适合计算机视觉开发者、人工智能研究人员以及需要集成车牌识别功能的企业技术人员使用。无论是用于构建智能交通系统、停车场管理方案，还是作为学习深度学习目标检测与序列识别的教学案例，Chinese_license_plate_detection_recognition 都是一个功能全面且易于上手的选择。","## What's New\n**2026.02.13 yolo26车牌检测识别[YOLO26-plate](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fyolo26-plate)**\n\n\n**2022.12.04 车辆和车牌一起检测看这里[车辆系统](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FCar_recognition)**\n\n[yolov8 车牌检测+识别](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fyolov8-plate)\n\n[yolov7 车牌检测+识别](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fyolov7_plate)\n\n[安卓NCNN](https:\u002F\u002Fgithub.com\u002FAyers-github\u002FChinese-License-Plate-Recognition)\n\n## 联系\n**模型用的是公开数据集训练出来的，需要准确率更高的模型，或者商务合作请加V**\n\n**可代做学生毕设，以及课设大作业等**\n\n**wechat: we0091234  （注明来意）**\n\n## **最全车牌识别算法，支持12种中文车牌类型**\n\n**环境要求: python >=3.6  pytorch >=1.7**\n\n#### **图片测试demo:**\n\n直接运行detect_plate.py 或者运行如下命令行：\n\n```\npython detect_plate.py --detect_model weights\u002Fplate_detect.pt  --rec_model weights\u002Fplate_rec_color.pth --image_path imgs --output result\n```\n\n测试文件夹imgs，结果保存再 result 文件夹中\n\n#### 视频测试demo  [2.MP4](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1O1sT8hCEwJZmVScDwBHgOg)  提取码：41aq\n\n```\npython detect_plate.py --detect_model weights\u002Fplate_detect.pt  --rec_model weights\u002Fplate_rec_color.pth --video 2.mp4\n```\n\n视频文件为2.mp4  保存为result.mp4\n\n## **车牌检测训练**\n\n车牌检测训练链接如下：\n\n[车牌检测训练](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Ftree\u002Fmain\u002Freadme)\n\n## **车牌识别训练**\n\n车牌识别训练链接如下：\n\n[车牌识别训练](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fcrnn_plate_recognition)\n\n#### **支持如下：**\n\n- [X] 1.单行蓝牌\n- [X] 2.单行黄牌\n- [X] 3.新能源车牌\n- [X] 4.白色警用车牌\n- [X] 5.教练车牌\n- [X] 6.武警车牌\n- [X] 7.双层黄牌\n- [X] 8.双层白牌\n- [X] 9.使馆车牌\n- [X] 10.港澳粤Z牌\n- [X] 11.双层绿牌\n- [X] 12.民航车牌\n\n![Image ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwe0091234_Chinese_license_plate_detection_recognition_readme_37778a61b15f.jpg)\n\n## 部署\n\n1.[安卓NCNN](https:\u002F\u002Fgithub.com\u002FAyers-github\u002FChinese-License-Plate-Recognition)\n\n2.**onnx demo** 百度网盘： [k874](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1K3L3xubd6pXIreAydvUm4g)\n\n```\npython onnx_infer.py --detect_model weights\u002Fplate_detect.onnx  --rec_model weights\u002Fplate_rec_color.onnx  --image_path imgs --output result_onnx\n```\n\n3.**tensorrt** 部署见[tensorrt_plate](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fchinese_plate_tensorrt)\n\n4.**openvino demo** 版本2022.2\n\n```\n python openvino_infer.py --detect_model weights\u002Fplate_detect.onnx --rec_model weights\u002Fplate_rec.onnx --image_path imgs --output result_openvino\n```\n\n## References\n\n* [https:\u002F\u002Fgithub.com\u002Fdeepcam-cn\u002Fyolov5-face](https:\u002F\u002Fgithub.com\u002Fdeepcam-cn\u002Fyolov5-face)\n* [https:\u002F\u002Fgithub.com\u002FSierkinhane\u002FCRNN_Chinese_Characters_Rec](https:\u002F\u002Fgithub.com\u002FSierkinhane\u002FCRNN_Chinese_Characters_Rec)\n\n## More\n**qq群:769809695（三群新开）  871797331(已满) 837982567（二群已满） 询问**\n\n","## 新增内容\n**2026.02.13 yolo26车牌检测识别[YOLO26-plate](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fyolo26-plate)**\n\n\n**2022.12.04 车辆和车牌一起检测看这里[车辆系统](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FCar_recognition)**\n\n[yolov8 车牌检测+识别](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fyolov8-plate)\n\n[yolov7 车牌检测+识别](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fyolov7_plate)\n\n[安卓NCNN](https:\u002F\u002Fgithub.com\u002FAyers-github\u002FChinese-License-Plate-Recognition)\n\n## 联系方式\n**模型用的是公开数据集训练出来的，需要准确率更高的模型，或者商务合作请加V**\n\n**可代做学生毕设，以及课设大作业等**\n\n**微信号：we0091234  （注明来意）**\n\n## **最全车牌识别算法，支持12种中文车牌类型**\n\n**环境要求: python >=3.6  pytorch >=1.7**\n\n#### **图片测试demo:**\n\n直接运行detect_plate.py 或者运行如下命令行：\n\n```\npython detect_plate.py --detect_model weights\u002Fplate_detect.pt  --rec_model weights\u002Fplate_rec_color.pth --image_path imgs --output result\n```\n\n测试文件夹imgs，结果保存再 result 文件夹中\n\n#### 视频测试demo  [2.MP4](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1O1sT8hCEwJZmVScDwBHgOg)  提取码：41aq\n\n```\npython detect_plate.py --detect_model weights\u002Fplate_detect.pt  --rec_model weights\u002Fplate_rec_color.pth --video 2.mp4\n```\n\n视频文件为2.mp4  保存为result.mp4\n\n## **车牌检测训练**\n\n车牌检测训练链接如下：\n\n[车牌检测训练](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Ftree\u002Fmain\u002Freadme)\n\n## **车牌识别训练**\n\n车牌识别训练链接如下：\n\n[车牌识别训练](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fcrnn_plate_recognition)\n\n#### **支持如下：**\n\n- [X] 1.单行蓝牌\n- [X] 2.单行黄牌\n- [X] 3.新能源车牌\n- [X] 4.白色警用车牌\n- [X] 5.教练车牌\n- [X] 6.武警车牌\n- [X] 7.双层黄牌\n- [X] 8.双层白牌\n- [X] 9.使馆车牌\n- [X] 10.港澳粤Z牌\n- [X] 11.双层绿牌\n- [X] 12.民航车牌\n\n![Image ](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwe0091234_Chinese_license_plate_detection_recognition_readme_37778a61b15f.jpg)\n\n## 部署\n\n1.[安卓NCNN](https:\u002F\u002Fgithub.com\u002FAyers-github\u002FChinese-License-Plate-Recognition)\n\n2.**onnx demo** 百度网盘： [k874](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1K3L3xubd6pXIreAydvUm4g)\n\n```\npython onnx_infer.py --detect_model weights\u002Fplate_detect.onnx  --rec_model weights\u002Fplate_rec_color.onnx  --image_path imgs --output result_onnx\n```\n\n3.**tensorrt** 部署见[tensorrt_plate](https:\u002F\u002Fgithub.com\u002Fwe0091234\u002Fchinese_plate_tensorrt)\n\n4.**openvino demo** 版本2022.2\n\n```\n python openvino_infer.py --detect_model weights\u002Fplate_detect.onnx --rec_model weights\u002Fplate_rec.onnx --image_path imgs --output result_openvino\n```\n\n## 参考文献\n\n* [https:\u002F\u002Fgithub.com\u002Fdeepcam-cn\u002Fyolov5-face](https:\u002F\u002Fgithub.com\u002Fdeepcam-cn\u002Fyolov5-face)\n* [https:\u002F\u002Fgithub.com\u002FSierkinhane\u002FCRNN_Chinese_Characters_Rec](https:\u002F\u002Fgithub.com\u002FSierkinhane\u002FCRNN_Chinese_Characters_Rec)\n\n## 更多信息\n**qq群:769809695（三群新开）  871797331(已满) 837982567（二群已满） 询问**","# Chinese_license_plate_detection_recognition 快速上手指南\n\n本工具支持 12 种中文车牌类型（包括蓝牌、黄牌、新能源、警用、武警、双层牌等）的检测与识别。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux \u002F Windows \u002F macOS\n*   **Python 版本**: >= 3.6\n*   **深度学习框架**: PyTorch >= 1.7\n*   **其他依赖**: 建议安装 `opencv-python`, `numpy` 等常用图像处理库。\n\n> **提示**：推荐使用国内镜像源加速依赖安装，例如清华源或阿里源。\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> pip install opencv-python numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition.git\n    cd Chinese_license_plate_detection_recognition\n    ```\n\n2.  **准备模型权重**\n    确保项目目录下存在 `weights` 文件夹，并包含以下预训练模型文件（通常需从项目 Release 页面或作者提供的网盘链接下载）：\n    *   检测模型：`weights\u002Fplate_detect.pt`\n    *   识别模型：`weights\u002Fplate_rec_color.pth`\n\n3.  **准备测试数据**\n    将待测试的图片放入 `imgs` 文件夹中，或将视频文件（如 `2.mp4`）放置于项目根目录。\n\n## 基本使用\n\n### 1. 图片批量检测与识别\n\n运行以下命令对 `imgs` 文件夹内的图片进行处理，结果将保存至 `result` 文件夹：\n\n```bash\npython detect_plate.py --detect_model weights\u002Fplate_detect.pt  --rec_model weights\u002Fplate_rec_color.pth --image_path imgs --output result\n```\n\n### 2. 视频检测与识别\n\n运行以下命令处理视频文件（示例为 `2.mp4`），输出结果为 `result.mp4`：\n\n```bash\npython detect_plate.py --detect_model weights\u002Fplate_detect.pt  --rec_model weights\u002Fplate_rec_color.pth --video 2.mp4\n```\n\n### 3. ONNX 推理部署（可选）\n\n如果您已导出 ONNX 模型，可使用以下命令进行推理：\n\n```bash\npython onnx_infer.py --detect_model weights\u002Fplate_detect.onnx  --rec_model weights\u002Fplate_rec_color.onnx  --image_path imgs --output result_onnx\n```\n\n### 4. OpenVINO 推理部署（可选）\n\n适用于 Intel 硬件加速（需 OpenVINO 2022.2+ 版本）：\n\n```bash\npython openvino_infer.py --detect_model weights\u002Fplate_detect.onnx --rec_model weights\u002Fplate_rec.onnx --image_path imgs --output result_openvino\n```","某智慧园区安保团队需要升级出入口管理系统，以实现对进出车辆的自动化登记与违规预警。\n\n### 没有 Chinese_license_plate_detection_recognition 时\n- **识别类型单一**：传统 OCR 库仅能识别普通蓝牌，遇到新能源绿牌、双层黄牌或警用白牌时直接失效，导致特种车辆无法录入系统。\n- **人工成本高昂**：对于识别失败的复杂车牌（如港澳粤 Z 牌），保安必须手动拍照并键盘输入号码，高峰期造成严重拥堵。\n- **环境适应性差**：在夜间或雨天光照不足时，现有方案检测率大幅下降，漏检频发，存在安防盲区。\n- **开发部署困难**：团队缺乏深度学习专家，难以从零训练高精度模型，且找不到支持中文双层车牌的现成开源方案。\n\n### 使用 Chinese_license_plate_detection_recognition 后\n- **全场景覆盖**：依托其支持的 12 种车牌类型（含双层牌、使馆牌等），系统可无缝识别园区内所有车辆，包括罕见的新能源双层绿牌。\n- **流程完全自动化**：通过 YOLOv5 高精度检测与 CRNN 识别组合，实现毫秒级自动抓拍录入，彻底取消人工干预，通行效率提升 300%。\n- **鲁棒性显著增强**：模型在公开数据集上经过充分训练，即便在低照度或倾斜角度下，依然能稳定输出准确结果。\n- **快速落地集成**：提供成熟的 Python 脚本及 ONNX、TensorRT 等多种部署 demo，开发人员仅需几行命令即可完成从测试到生产环境的迁移。\n\nChinese_license_plate_detection_recognition 凭借对中文复杂车牌的全品类支持和便捷的部署能力，将原本高门槛的车牌识别任务转化为开箱即用的标准化服务。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwe0091234_Chinese_license_plate_detection_recognition_37778a61.jpg","we0091234","记忆之城","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwe0091234_45d47e5b.png","qq群：871797331  \r\nwechat: we0091234","CMIT","深圳",null,"https:\u002F\u002Fgithub.com\u002Fwe0091234",[82,86,90,94],{"name":83,"color":84,"percentage":85},"Python","#3572A5",97,{"name":87,"color":88,"percentage":89},"Shell","#89e051",2.4,{"name":91,"color":92,"percentage":93},"Cython","#fedf5b",0.4,{"name":95,"color":96,"percentage":97},"Dockerfile","#384d54",0.2,1801,290,"2026-04-17T07:49:09","GPL-3.0","未说明","未说明 (基于 PyTorch，通常支持 CUDA 加速，但 README 未指定具体型号或版本)",{"notes":105,"python":106,"dependencies":107},"项目支持多种部署方式，包括原生 PyTorch、ONNX、TensorRT 和 OpenVINO（需版本 2022.2）。提供安卓 NCNN 部署方案。模型分为检测模型 (.pt\u002F.onnx) 和识别模型 (.pth\u002F.onnx)，需分别指定路径运行。支持 12 种中文车牌类型。",">=3.6",[108],"pytorch>=1.7",[14],[111,112,113,114],"deep-learning","pytorch","plate-recognition","yolov5","2026-03-27T02:49:30.150509","2026-04-18T02:22:19.854992",[118,123,128,133,138,143],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},38500,"项目使用的 PyTorch 版本是多少？是否提供了训练好的 YOLOv5s 模型？","维护者未明确说明具体的训练 PyTorch 版本，但指出用户可以使用导出功能时注意版本兼容性警告。关于 YOLOv5s 模型，维护者明确表示尚未训练该模型，建议用户自行训练。","https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Fissues\u002F14",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},38501,"是否有支持关键点标注的工具推荐？","可以使用 labelme 进行标注，然后需要自己编写一个转换工具将标注格式转换为项目所需的格式。目前项目没有自带专门的关键点标注工具。","https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Fissues\u002F6",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},38502,"训练过程中报错找不到图片路径（imread 错误）怎么办？","这通常是由于缓存文件导致的路径记录错误。解决方法是删除数据集目录下的 cache 文件（通常是 .cache 或类似名称的文件），然后重新运行训练脚本。","https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Fissues\u002F32",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},38503,"如果只有 labelimg 标注的 x, y, w, h 数据（无关键点），可以直接训练吗？","不可以。该项目依赖于关键点检测（label 格式包含 x, y, w, h 以及 pt1x, pt1y 等关键点坐标），仅提供边界框（x, y, w, h）的数据无法用于此项目的训练。","https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Fissues\u002F31",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},38504,"为什么 Demo 模型只能识别出一个车牌，无法识别上下双车牌？","这可能是模型本身的局限性或特定场景下的识别失败，并非配置错误。维护者表示在某些情况下可能确实无法识别出所有车牌。","https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Fissues\u002F29",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},38505,"如何导出模型以便在 Android 端使用？","目前项目主要讨论的是 TorchScript 导出。对于 NCNN 导出以支持 Android，维护者曾询问用户是否用于安卓开发，暗示该功能可能需要额外适配或尚未作为标准功能直接提供，建议关注后续更新或自行尝试转换流程。","https:\u002F\u002Fgithub.com\u002Fwe0091234\u002FChinese_license_plate_detection_recognition\u002Fissues\u002F30",[]]