项目介绍
本项目设计并实现了一套基于 YOLOv8n 的车牌识别检测系统，前端基于 Vue3 与 Element Plus 构建交互页面，负责用户登录注册、图片上传、检测阈值设置、识别结果展示和历史记录查询；后端基于 Flask 提供业务接口，完成用户鉴权、图片保存、模型推理、结果持久化和数据管理。算法层面，系统使用轻量化 YOLOv8n 对整张车辆图片进行车牌目标检测，获得车牌区域的位置坐标和检测置信度，再对检测框进行扩展、裁剪和图像增强，并结合 OCR 识别车牌字符。检测完成后，系统会生成带有标注框的结果图。
选题背景与意义
随着城市交通规模不断扩大，车辆出入管理、停车场收费、校园车辆登记和园区安防等场景对车辆身份识别的效率与准确性提出了更高要求。传统人工登记方式依赖人工观察和手动录入，容易受到光照、疲劳、车辆数量和管理流程的影响，存在效率低、误录率高、数据难以追溯等问题。车牌作为车辆身份的重要标识，若能通过计算机视觉技术实现自动定位与识别，就可以显著减少人工干预，提高车辆管理的信息化和智能化水平。近年来，深度学习目标检测算法发展迅速，YOLO 系列模型在检测速度和精度之间取得了较好平衡，适合应用于车牌检测这类实时性要求较高的任务。
关键技术栈：YOLOv8
YOLOv8 是 Ultralytics 推出的新一代单阶段目标检测算法，其核心思想是在一次前向传播过程中同时完成目标位置回归和类别预测，具有推理速度快、部署流程清晰、工程适配能力强等特点。本系统选用 YOLOv8n 作为车牌检测模型，其中 n 代表 nano 轻量版本，参数规模较小，适合在普通服务器、本地开发环境或资源受限设备上运行。针对车牌检测任务，系统将车牌设置为单一检测类别，训练数据采用标准 YOLO 格式进行组织，即每张图片对应一个标签文件，标签内容包含类别编号、目标中心点坐标、宽度和高度等归一化信息。模型训练完成后，后端通过加载 best.pt 权重文件进行推理，输出车牌检测框、类别和置信度。为了提升识别稳定性
技术架构图
系统功能模块图
