[Python] 树莓派CM0 NANO车牌识别实战：基于YOLO与LPRNet的OpenCV部署教程

本项目介绍了如何在工业树莓派 CM0 NANO 单板计算机上，结合 LPRNet 算法和 Ultralytics 库实现车牌识别的完整流程。内容涵盖环境部署、软件包安装、模型获取、关键代码解析以及板端推理演示，为边缘 AI 应用的快速开发提供了参考。

项目介绍

• 准备工作：OpenCV 安装、Ultralytics 软件包安装、预训练模型下载等。
• 车牌识别：采用 LPRNet 算法及 ONNX 模型实现车牌识别的板端推理。

为了快速实现车牌识别功能，需要完成 OpenCV 部署和 Ultralytics 软件包的安装等操作。

准备工作

本节包括硬件连接、虚拟环境创建、OpenCV 安装、Ultralytics 库部署等步骤。

硬件连接

• 连接 WiFi 实现无线网络通信。
• 使用 Type-C 数据线为设备供电。

OpenCV 安装

OpenCV 是一个开源的计算机视觉库，广泛应用于图像处理、视频分析和机器学习等领域。

为了避免影响系统 Python 环境，推荐采用虚拟环境方案。

• 创建并激活虚拟环境

  mkdir ~/cv && cd ~/cv    # 创建 cv 文件夹，便于管理
  python3 -m venv venv     # 创建虚拟环境 venv
  source venv/bin/activate # 激活虚拟环境 venv

• 安装 numpy 和 opencv

  pip install -U pip numpy                          # 安装 numpy
  pip install opencv-python opencv-contrib-python   # opencv 主模块及 contrib

• 验证安装

  python3 -c "import cv2,sys,numpy;print('OpenCV:',cv2.__version__,'NumPy:',numpy.__version__)"

• 输出版本号
  

字体安装

为了方便显示中文车牌，需要安装 CJK 字体。

sudo apt install fonts-noto-cjk
fc-list | grep -i "Noto Sans CJK" | head -3

记录字体所在路径，例如 /usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc，以便后续代码调用。

Ultralytics 部署

Ultralytics 基于多年在计算机视觉和人工智能领域的研究，打造了 YOLO 系列模型，具有速度快、精度高、操作简便等特点，在目标检测、跟踪、实例分割等任务中表现出色。

• 安装 ultralytics 软件包

  sudo apt install python3-dev python3-pip libopenblas-dev
  sudo pip install python3-torch
  sudo pip install ultralytics --break-system-packages

• 验证安装

  python3 -c "import ultralytics, sys, torch; print('✅ ultralytics', ultralytics.__version__, '| torch', torch.__version__, '| Python', sys.version.split()[0])"

• 输出相应版本号
  

详见项目仓库： https://github.com/ultralytics/ultralytics

车牌识别

车牌识别网络（License Plate Recognition Network，LPRNet）是一种专为车牌识别设计的深度学习模型。

它采用端到端的训练方法，能够直接从原始图像中识别出车牌文本，无需进行传统的字符分割步骤。这种设计使得 LPRNet 在处理车牌识别任务时更加高效和准确，特别是在面对复杂背景或不同国家的车牌样式时。

详见： https://github.com/sirius-ai/LPRNet_Pytorch

模型

下载所需模型文件。

wget https://github.com/h030162/PlateRecognition/blob/main/ocr_rec.py
wget https://github.com/h030162/PlateRecognition/blob/main/license_models/dict.txt
wget https://github.com/h030162/PlateRecognition/blob/main/license_models/license_ocr.onnx
wget https://github.com/h030162/PlateRecognition/blob/main/license_models/y11n-pose_plate_best.onnx

将文件存放在对应路径，项目目录结构如下：

license_plate_recognition
   ├── img
   │   ├── yue.jpg
   ├── lpr_onnx.py
   ├── model
   │   ├── dict.txt
   │   ├── license_ocr.onnx
   │   └── y11n-pose_plate_best.onnx
   └── ocr_rec.py

流程图

代码

在终端执行 touch lpr_onnx.py 新建程序文件，并添加如下代码。

#!/usr/bin/env python
# -*- coding: utf-8 -*-
import numpy as np
import cv2
from ocr_rec import TextRecognizer, init_args
from PIL import Image, ImageDraw, ImageFont
from ultralytics import YOLO
import warnings
warnings.filterwarnings("ignore")

# ========== figure ==========
#IMG
_FILE = "./img/yue.jpg"
args = init_args().parse_args()
IMG_FILE = args.image_path or './img/test.jpg'   # image path
# 使用方法：python lpr_onnx.py --image_path ./img/jing.jpg

# =========== class ===========
class PlateRecognizer:
    def __init__(self, det_model_path="./model/y11n-pose_plate_best.onnx"):
        self.model_det = YOLO(det_model_path)
        parser = init_args().parse_args()
        self.model_ocr = TextRecognizer(parser)

    def recognize(self, img):
        plate_objs = []
        plates = self.model_det(img, verbose=False)
        for plate, conf in zip(plates[0].boxes.xyxy, plates[0].boxes.conf):
            x1, y1, x2, y2 = map(int, plate.cpu())
            plate_img = img[y1:y2, x1:x2]
            try:
                rec_res, _ = self.model_ocr([plate_img])
            except Exception as E:
                print(E)
                continue
            if len(rec_res[0]) > 0:
                plate_objs.append({
                    'text': rec_res[0][0],
                    'score_text': rec_res[0][1],
                    'bbox': [x1, y1, x2, y2],
                    'score_bbox': conf.cpu().numpy().item()
                })
        return plate_objs

def DrawPlateNum(img, plate_num, x1, y1):
    img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
    img_pil = Image.fromarray(img_rgb)
    draw = ImageDraw.Draw(img_pil)
    font = ImageFont.truetype("/usr/share/fonts/opentype/noto/NotoSansCJK-Regular.ttc", 40) # 系统字体
    # -------- 优化标签显示，增加填充背景，兼容新版 Pillow ----------------
    left, top, right, bottom = draw.textbbox((0, 0), plate_num, font=font)
    tw, th = right - left, bottom - top
    # 蓝色填充条
    draw.rectangle([(x1, y1 - th - 8), (x1 + tw, y1)], fill=(0, 0, 255))   # BGR 蓝色
    # 绿色文字
    draw.text((x1, y1 - th - 16), plate_num, font=font, fill=(0, 255, 0))   # BGR 绿色
    return cv2.cvtColor(np.array(img_pil, dtype=np.uint8), cv2.COLOR_RGB2BGR)

# ========== 主程序 ==========
def main():
    img = cv2.imread(IMG_FILE)
    if img is None:
        print(f"未找到图片：{IMG_FILE}")
        cv2.waitKey(0)
        return
    recognizer = PlateRecognizer()
    plates = recognizer.recognize(img)
    for p in plates:
        x1, y1, x2, y2 = p['bbox']
        cv2.rectangle(img, (x1, y1), (x2, y2), (255, 0, 0), 2)
        img = DrawPlateNum(img, p['text'], x1, y1)
        print(f"车牌: {p['text']}  置信度: {p['score_text']:.4f}  框置信度: {p['score_bbox']:.4f}")
    cv2.imshow("LPR", img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

if __name__ == "__main__":
    main()

保存代码。

效果

• 在终端执行 python lpr_onnx.py --image_path ./img/yue.jpg 指令，对目标车牌进行识别。
• 终端会打印识别到的车牌号、置信度等信息。

• 程序会弹窗显示识别结果。

• 更多测试效果展示。

总结

本文详细介绍了在树莓派 CM0 NANO 上搭建车牌识别系统的全过程，从环境配置、依赖安装到模型推理与代码实现。该项目展示了如何在资源受限的边缘设备上运行基于Python和深度学习的计算机视觉应用，为智能交通、安防监控等领域的边缘AI开发提供了可行的实践案例。希望这篇教程能为你开启边缘计算项目带来帮助。欢迎在 云栈社区 分享你的实践成果或提出技术问题。