带标注的中国车牌分类数据集，可区分车牌是否新能源电车绿牌，识别率99.5%，1223张图，支持yolo，coco json，voc xml,文末有模型训练代码

模型训练指标参数：

模型训练图：

数据集拆分

总图数：1223 张图数
训练集

856 张图

验证集

245 张图

测试集

122 张图

预处理

自动定向：应用

调整大小：拉伸到640x640

增强

无

数据集标签：

'0', '1'

标签解释

0是新能源电车的车牌

1是普通汽车的车牌

数据集图片和标注信息示例：

数据集下载：

yolo26:

yolo v12: https://download.csdn.net/download/pbymw8iwm/92868983

yolo v11:https://download.csdn.net/download/pbymw8iwm/92868980

yolo v9:https://download.csdn.net/download/pbymw8iwm/92868978

yolo v8:https://download.csdn.net/download/pbymw8iwm/92868977

yolo v7:https://download.csdn.net/download/pbymw8iwm/92868979

coco json:https://download.csdn.net/download/pbymw8iwm/92868981

pascal voc xml:https://download.csdn.net/download/pbymw8iwm/92868982

YOLO模型训练

下载数据集之后解压到当前文件夹，然后将我的仓库 https://gitcode.com/pbymw8iwm/YOLOProject里的训练模型脚本复制到文件夹下，假设你使用的是yolov8来训练你就用 python train_yolov8.py

模型验证测试情况：

验证测试代码：

python 复制代码

#需要安装pip install ultralytics
from ultralytics import YOLO
import cv2
 
# 加载训练好的 YOLO .pt 模型
model = YOLO('best.pt')  # 替换为你实际的 .pt 模型文件路径
 
# 定义要测试的图片路径
image_path = './image.jpg'  # 替换为你实际的图片文件路径
 
# 使用模型对图片进行预测
results = model(image_path)
 
# 获取预测结果
for result in results:
    # 获取绘制了检测框的图片
    annotated_image = result.plot()
 
    # 显示图片
    cv2.imshow("YOLOv Inference", annotated_image)
 
    # 等待按键退出
    cv2.waitKey(0)
 
    # 关闭所有 OpenCV 窗口
    cv2.destroyAllWindows()

推理结果：

{

"predictions": [

{

"x": 357,

"y": 673.5,

"width": 270,

"height": 83,

"confidence": 0.845,

"class": "1",

"class_id": 1,

"detection_id": "8ad3fed8-90a5-4b4d-a678-86d36075d1b3"

}

]

}