目录
介绍
CCPD 是一个大型的、多样化的、经过仔细标注的中国城市车牌开源数据集。CCPD 数据集主要分为 CCPD2019 数据集和 CCPD2020（CCPD-Green） 数据集。CCPD2019 数据集车牌类型仅有普通车牌（蓝色车牌），CCPD2020 数据集车牌类型仅有新能源车牌（绿色车牌）。
具体介绍可以看看这篇：
[深度学习] CCPD车牌数据集介绍_ccpd数据集-CSDN博客
https://blog.csdn.net/LuohenYJ/article/details/117752120
下载地址在文末，只要数据集的直接下滑
下载后是这样的：
可以看到，该数据集包含的场景还是很丰富的，并且数据量也特多，cpdd_base 里甚至有 20w 数据，每个图片名字的文件就是该图片的标注（除了 ccpd_np 文件夹），例如下面这个文件：
01-86_91-298&341_449&414-458&394_308&410_304&357_454&341-0_0_14_28_24_26_29-124-24
我们按照 "-" 分割这个字符串，得到如下结果：
|-------------------------------------|-------------------------------------------|
| 01 | 编号 |
| 86_91 | 车牌水平偏转和垂直偏转角 |
| 298&341_449&414 | 车牌左上角坐标和右下角坐标（目标识别矩形框） |
| 458&394_308&410_304&357_454&341 | 车牌的四个角点，按照顺序分别为右下、左下、左上、右上（yolo-pose姿态识别） |
| 0_0_14_28_24_26_29 | 车牌号码 |
| 124 | 亮度 |
| 24 | 模糊度 |
转换代码
知道字符串各个含义以及连接规则后，则可以通过字符分割字符串，并提取需要的信息，并将
信息批量保存至 txt 文件即可，我这里为大家提供两段代码，一段提取车牌目标识别（仅矩形框），一段提取车牌姿态（矩形框+4个角点）。
车牌目标识别提取：
python
import os
import cv2
def parse_bbox_from_filename(filename):
"""
从文件名中解析出车牌目标矩形框的左上角、右下角坐标。
"""
parts = filename.split('-')
# 解析矩形框坐标
bbox_part = parts[2].split('_')
x1, y1 = map(int, bbox_part[0].split('&')) # 左上角
x2, y2 = map(int, bbox_part[1].split('&')) # 右下角
return (x1, y1), (x2, y2)
def get_bbox(x_min, y_min, x_max, y_max, img_w, img_h):
"""
根据给定的最小最大坐标计算YOLO格式的bbox（中心点坐标、宽度、高度）。
"""
x_center = round((x_min + x_max) / 2 / img_w, 6)
y_center = round((y_min + y_max) / 2 / img_h, 6)
width = round((x_max - x_min) / img_w, 6)
height = round((y_max - y_min) / img_h, 6)
return x_center, y_center, width, height
if __name__ == '__main__':
images_dir = r'D:\tcy_works\data\CCPD2019\ccpd_base' # 替换为你自己的图像路径
save_dir = r'D:\tcy_works\data\CCPD_deal\CCPD2019\ccpd_base' # 替换为你想保存结果的路径
os.makedirs(os.path.join(save_dir, "labels"), exist_ok=True)
image_files = [os.path.join(images_dir, f) for f in os.listdir(images_dir) if f.lower().endswith(('.jpg', '.png'))]
for image_path in image_files:
filename = os.path.basename(image_path)
try:
(x_min, y_min), (x_max, y_max) = parse_bbox_from_filename(filename)
except Exception as e:
print(f"解析文件名失败: {filename}, 错误: {e}")
continue
img = cv2.imread(image_path)
if img is None:
print(f"读取图像失败: {image_path}")
continue
height, width = img.shape[:2]
# 计算 bounding box
x_center, y_center, w_bbox, h_bbox = get_bbox(x_min, y_min, x_max, y_max, width, height)
# 构建 YOLO 格式标注（仅 bbox）
class_id = 0 # 假设类别ID为0
label_line = [class_id, x_center, y_center, w_bbox, h_bbox]
label_line = list(map(str, label_line))
# 保存 label 文件
label_file = os.path.join(save_dir, "labels", os.path.splitext(filename)[0] + ".txt")
with open(label_file, 'w') as f:
f.write(' '.join(label_line) + '\n')
print(f"已处理图像: {filename}")
print("所有图像处理完成！")车牌姿态提取：
python
import os
import cv2
def parse_points_from_filename(filename):
"""
从文件名中解析出车牌目标矩形框的左上角、右下角坐标以及车牌四个角点坐标。
"""
parts = filename.split('-')
# 解析矩形框坐标
bbox_part = parts[2].split('_')
x1, y1 = map(int, bbox_part[0].split('&')) # 左上角
x2, y2 = map(int, bbox_part[1].split('&')) # 右下角
# 解析角点坐标：parts[3] 如 '458&394_308&410_304&357_454&341'
points = []
for point in parts[3].split('_'):
x, y = map(int, point.split('&'))
points.append((x, y))
return (x1, y1), (x2, y2), points
def normalize_points(points, img_w, img_h):
"""
将点坐标归一化到 [0, 1] 范围内，并保留 6 位小数。
返回列表格式：[x1, y1, vis1, x2, y2, vis2, ..., xn, yn, visn]
"""
norm_points = []
for x, y in points:
x_norm = round(x / img_w, 6)
y_norm = round(y / img_h, 6)
visibility = 2.000000 # YOLO-Pose 中表示该关键点始终可见
norm_points.extend([x_norm, y_norm, visibility])
return norm_points
def get_bbox(x_min, y_min, x_max, y_max, img_w, img_h):
"""
根据给定的最小最大坐标计算YOLO格式的bbox（中心点坐标、宽度、高度）。
"""
x_center = round((x_min + x_max) / 2 / img_w, 6)
y_center = round((y_min + y_max) / 2 / img_h, 6)
width = round((x_max - x_min) / img_w, 6)
height = round((y_max - y_min) / img_h, 6)
return x_center, y_center, width, height
if __name__ == '__main__':
images_dir = r'D:\tcy_works\data\CCPD2019\ccpd_base' # 替换为你自己的图像路径
save_dir = r'D:\tcy_works\data\CCPD_deal\CCPD2019\ccpd_base' # 替换为你想保存结果的路径
os.makedirs(os.path.join(save_dir, "labels"), exist_ok=True)
image_files = [os.path.join(images_dir, f) for f in os.listdir(images_dir) if f.lower().endswith(('.jpg', '.png'))]
for image_path in image_files:
filename = os.path.basename(image_path)
try:
(x_min, y_min), (x_max, y_max), points = parse_points_from_filename(filename)
except Exception as e:
print(f"解析文件名失败: {filename}, 错误: {e}")
continue
img = cv2.imread(image_path)
if img is None:
print(f"读取图像失败: {image_path}")
continue
height, width = img.shape[:2]
# 计算 bounding box
x_center, y_center, w_bbox, h_bbox = get_bbox(x_min, y_min, x_max, y_max, width, height)
# 归一化角点坐标 + 添加可见性（每个角点加一个 2.000000）
norm_points = normalize_points(points, width, height)
# 构建 YOLO-Pose 格式标注
class_id = 0 # 假设类别ID为0
label_line = [class_id, x_center, y_center, w_bbox, h_bbox] + norm_points
label_line = list(map(lambda x: f"{x:.6f}", label_line)) # 统一保留6位小数
# 保存 label 文件
label_file = os.path.join(save_dir, "labels", os.path.splitext(filename)[0] + ".txt")
with open(label_file, 'w') as f:
f.write(' '.join(label_line) + '\n')
print(f"已处理图像: {filename}")
print("所有图像处理完成！")下载地址：
百度网盘（密码：ol3j）https://pan.baidu.com/share/init?surl=JSpc9BZXFlPkXxRK4qUCyw
drive.google.comhttps://drive.google.com/file/d/1m8w1kFxnCEiqz_-t2vTcgrgqNIv986PR/view?usp=sharing
感谢您的观看！！！