Deep Neural Networks

License Plate Recognition

Systeme intelligent de detection et lecture de plaques d'immatriculation

Detection

Localisation automatique des plaques dans l'image

OCR

Reconnaissance optique des caracteres

Temps Reel

Inference rapide avec TensorFlow

Utilisez les fleches pour naviguer

Data

Dataset

sonnetechnology/license-plate-text-recognition-full

8,823
Images
237
MB
36
Caracteres (0-9, A-Z)

Structure du Dataset

  • image : Image de plaque recadree
  • target : Texte de la plaque (label)
  • bbox : Coordonnees de la plaque
from datasets import load_dataset
ds = load_dataset("sonnetechnology/license-plate-text-recognition-full")
Model #1

Detection de Plaques

Architecture inspiree de YOLO

Input
416x416x3
->
Conv2D + BN
32 filters
->
Conv2D + BN
64 filters
->
Conv2D + BN
128 filters
->
Output
13x13x5
Grid Size: 13 x 13
Output: [objectness, x, y, w, h]
Activation: Sigmoid
Model #2

Lecture OCR

CNN + BiLSTM avec CTC Loss

Input
200x50x1 (Grayscale)
|
Conv2D + MaxPool x2
32->64 filters
|
Reshape + BiLSTM x2
128 units
|
Dense + Softmax
37 classes (36 chars + blank)
Loss: CTC (Connectionist Temporal Classification)
Max Length: 10 caracteres
Pipeline

Architecture Complete

Two-Stage Detection + Recognition

1

Image Input

Chargement et preprocessing

->
2

Detection

Localisation de la plaque

->
3

Crop

Extraction de la region

->
4

OCR

Lecture du texte

->
OK

Resultat

ABC-123

Training

Stratégie d'Entraînement

Approche hybride et Optimisation

DA

Data Augmentation

Rotations, bruit, flou et variations de luminosité pour robustifier le modèle.

SD

Données Synthétiques

Génération de 50,000 images synthétiques pour combler les manques du dataset réel.

TL

Transfer Learning

Utilisation de poids pré-entraînés et Fine-Tuning sur les données spécifiques.

Hyperparamètres

Optimizer: AdamW (lr=3e-4)
Scheduler: CosineAnnealingWarmRestarts
Hardware: NVIDIA RTX 5070 Ti (Mixed Precision)
Stats

Performances

Résultats sur le set de validation

92.1%
Précision Caractère (OCR)
84.6%
Précision Mot (OCR)
0.61
Loss Détection (Best)

Courbes d'apprentissage

Évolution de la précision OCR par époque

Team

L'Équipe

Les développeurs du projet

AP

Alexis Petignat

Développeur

EU

Emre Ulusoy

Développeur

MG

Marc Guillemot

Développeur

BV

Baptiste Villeneuve

Développeur

PS

Paul Abi Saad

Développeur

RD

Rayan Drissi

Développeur

Live Demo

Essayez le Modele

Selectionnez une image exemple ou uploadez la votre

ou

Glissez une image ici ou parcourir

Resultat

En attente d'une image...

API: privilegedlab.com/api/predict