CCPD2019光照子集：5000张暗亮车牌图与YOLO训练实战

简介：目标检测中，光照变化是影响模型鲁棒性的关键因素。车牌检测作为智能交通和安防场景的核心任务，在夜间强光或逆光环境下常出现漏检、误检。为了提升模型对光照的适应能力，困难样本挖掘成为数据构建的重要思路。CCPD2019数据集中的5000张暗亮光车牌子集，正是针对这一痛点设计，通过筛选低照度和高反光场景，拓宽模型在光照维度上的特征分布。该子集采用LabelMe多边形标注格式，保留了车牌四角点信息，可灵活转换为YOLO水平框、OBB旋转框等训练格式，便于结合数据增强策略进行专项调优。无论是停车场管理、出入口道闸，还是智能交通项目，利用该子集进行针对性训练和分组评估，都能有效提升检测模型在复杂光照下的表现。本文围绕数据集结构、格式转换、训练配置及常见坑点，提供了一套可落地的工程实践方法。

1. 这5000张图到底值在哪：CCPD2019子集的光照筛选逻辑

做车牌检测的人应该都有这种体会：白天大太阳底下车牌反光一片白，夜间弱光下车牌糊成一团，这两种场景下模型表现断崖式下跌。CCPD2019本身是国内公开车牌数据集里覆盖面比较全的一个，但如果直接拿全量数据训练，光照问题容易被淹没在大量正常样本里，模型学不到足够强的光照鲁棒性。所以把“光线较暗或较亮”这部分单独拎出来，凑成5000张子集，本身就是一种很典型的困难样本挖掘思路。

这套子集的设计意图很明显：不是让你拿它替代完整数据集，而是用它做针对性增强、做鲁棒性验证、做光照场景的专项调优。适合三类人：一是正在做智能交通、停车场管理、出入口道闸项目的工程师，二是用YOLO系列训练自定义数据集但总被光照变化困扰的学生和研究者，三是需要快速验证数据增强策略是否有效的算法调优人员。

1.1 为什么光照问题这么难搞

车牌检测本质上是在一张大图上找到车牌的精确位置，后续还要做字符识别。这一步如果定位不准，后面识别正确率再高也白搭。光照对定位的影响主要体现在两方面：对比度下降导致边缘模糊，以及高光/阴影导致的纹理失真。亮光场景下，金属车牌表面反光会让字符区域变成亮斑；暗光场景下，车牌与车身、背景的灰度差异变小，目标几乎融入环境。

我自己的实测经验是，普通场景训练出来的模型，在正常光照下mAP能到95%以上，一遇到逆光或者夜间，mAP直接掉到70%甚至更低。这不是模型结构的问题，而是训练数据里困难样本太少。CCPD2019这个子集正好补上这一块，5000张暗亮光样本足以让模型在光照维度上的特征分布明显拓宽。

1.2 为什么偏偏是LabelMe格式

现在业界常用的标注格式有VOC XML、YOLO TXT、COCO JSON，LabelMe其实相对小众，但LabelMe有一个不可替代的优势——原生支持多边形标注。车牌不是正矩形，尤其是在斜视角和透视畸变下，用外接矩形框会把大量背景包含进来，导致训练时背景干扰大。CCPD系列本身就是用四角点标注车牌四边形，LabelMe的polygon格式可以完美保留这四个关键点，而不是退化成轴对齐矩形框。

另一个考虑是LabelMe格式的通用性。LabelMe的JSON结构非常直白，label字段标类别，points字段存多边形顶点，几乎没有学习成本。拿到手之后，无论是转成YOLO水平框、YOLO OBB旋转框，还是转成COCO的segmentation多边形，代码都很好写。相比之下，如果一开始就用YOLO TXT存四个归一化坐标，虽然训练省事，但扩展到旋转框或语义分割就麻烦了。所以这个数据集选择LabelMe格式，等于把“任意二次加工”的可能性留给了使用者。

2. 数据集结构解析：从文件命名到LabelMe JSON

拿到数据集第一件事不是急着训练，先把文件结构和标注格式吃透。我自己接手过不少公开数据集，很多坑都出在没搞懂格式细节就直接转换，结果训练的时候发现坐标全部飘了。

2.1 文件目录与命名的门道

这套子集文件名带“part01”，说明是分卷发布的，后续大概率有part02甚至更多。序号从1到4999，也就是5000张图片，但这里有个小细节要注意：很多数据集命名从0开始，或者中间有跳号。如果你的文件是1.jpg到4999.jpg，那就是正好5000张；如果看到的是0.jpg到4999.jpg，那实际上有5000张但编号多了一个。我个人建议拿到数据后先写个脚本统计一下图片总数和JSON文件总数，确认数量对得上再往下走。

目录组织方面，一般有两种常见布局：一种是所有图片和同名JSON放在同一个文件夹，另一种是images和labels分开。LabelMe默认是图片和JSON同目录，如果你拿到的是这种结构，建议第一步就按训练习惯重新整理。我的习惯是建一个dataset目录，里面分images和annotations，图片归一化命名，JSON单独存，这样后续无论是转格式还是做数据划分都省事。

2.2 LabelMe JSON字段逐项拆解

一个标准LabelMe JSON文件长这样：

{ "version": "5.2.1", "flags": {}, "shapes": [ { "label": "plate", "points": [ [812, 524], [968, 526], [967, 556], [811, 554] ], "group_id": null, "shape_type": "polygon", "flags": {} } ], "imagePath": "0001.jpg", "imageData": null, "imageHeight": 1160, "imageWidth": 720 }

字段拆开看就清楚了：imagePath是图片文件名，imageHeight和imageWidth是图片尺寸，这两个数值在转换格式时是归一化的分母，一定不能写错。shapes里是一个列表，每辆车对应一个shape。label是类别名称，points是多边形顶点坐标，shape_type一般标成polygon，flags是额外标记位，这个数据集里多半是空。

这里特别提醒一下imageData字段，LabelMe选图保存时会把原图以base64形式塞进去，但如果图比较大，这个字段会变成null，图片单独存。训练时需要的是图片文件和标注文件对应，不需要也没必要去解析imageData里的base64内容。如果你打开JSON发现这个字段很长，直接忽略即可。

2.3 车牌四点的标注顺序与坑

CCPD系的车牌标注是四个角点，这个顺序特别重要。LabelMe的points数组是按你点击时的顺序存的，而不同工具对四点顺序的约定不一样：有的是左上、右上、右下、左下，有的是顺时针存，有的是逆时针。转换格式时如果不统一，训练出的检测框会乱转，尤其在做OBB旋转框时，四点的顺序直接决定旋转角度计算是否正确。

稳妥的做法是转换前先把四个点按几何关系重排。我在代码里会先算四个点的包围盒中心，然后按每个点相对中心的角度排序，统一成“左上、右上、右下、左下”的顺序。这个过程看起来多余，但能避免很多莫名其妙的问题。尤其当你拿到手的标注有可能是人工点击顺序随意记录的，你根本无法保证每个JSON里的顺序一致。

3. 数据处理与格式转换：从LabelMe到训练所需格式

拿到LabelMe标注后，正常情况下不会直接拿来训练。YOLOv8、YOLOv5这些主流框架默认读的是TXT格式，MMDetection默认读COCO JSON。所以转换这一步绕不开。好消息是LabelMe转其他格式都很简单，核心就是把points坐标按规范重新写一遍。

3.1 先做一轮数据清洗

转换之前我强烈建议先做一次数据完整性检查。我自己踩过这个坑，训练到一半发现loss异常，排查了半天才发现是一张图的标注文件里imagePath对应的图片根本不存在。

检查项主要有四个：

• 图片文件是否有对应JSON，JSON是否有对应图片，数量是否一致；
• 每个JSON里imageWidth和imageHeight是否与图片实际分辨率一致；
• shapes是否为空，多边形点是否至少4个；
• 类别标签是否统一，比如有的文件写plate，有的写car_plate，这种不一致要提前改掉。

写个Python脚本跑一遍，几秒钟就能筛出全部问题文件。对于异常文件，我的处理原则是：宁可删掉也不要勉强保留。5000张数据里少几张不影响大局，但一条脏数据可能让模型多花几百轮去修复。

3.2 LabelMe转YOLO格式实操代码

YOLO格式的标注是每行一个目标，五个数值：class_id x_center y_center width height，全部是相对于图片宽高的归一化值。对于车牌这种四边形标注，最简单的转换方式是取四个点的外接矩形。代码如下：

import json import os def labelme_to_yolo(json_path, img_width, img_height, class_id=0): with open(json_path, 'r', encoding='utf-8') as f: data = json.load(f) lines = [] for shape in data['shapes']: points = shape['points'] xs = [p[0] for p in points] ys = [p[1] for p in points] min_x, max_x = min(xs), max(xs) min_y, max_y = min(ys), max(ys) x_center = (min_x + max_x) / 2.0 y_center = (min_y + max_y) / 2.0 width = max_x - min_x height = max_y - min_y x_center_norm = x_center / img_width y_center_norm = y_center / img_height width_norm = width / img_width height_norm = height / img_height lines.append(f"{class_id} {x_center_norm:.6f} {y_center_norm:.6f} {width_norm:.6f} {height_norm:.6f}") return lines

这份代码的逻辑不复杂，但有个点要提醒：归一化分母必须用图片原始宽高，而不能用标注里的imageWidth和imageHeight去推。虽然这两个值理论上应该和图片一致，但在手工标注或数据集下载过程中，遇到过分辨率被修改但JSON没同步更新的情况。最保险的做法是用PIL或者OpenCV读取图片实际尺寸，以此为准。

另外，如果你的标注里有多辆车，class_id都填0就可以，因为车牌只有一个类别。如果后续你打算区分蓝牌、黄牌、新能源绿牌，那就要按label字段做映射，不同label对应不同类别ID。

3.3 需要旋转框？再转一步OBB

车牌检测里有个场景很常见：车辆斜停、照片侧拍，车牌在画面里是一个倾斜四边形。这时候水平框会把一大片无关背景包进来，尤其是当车牌小、周围环境复杂时，水平框的IoU虚高但实际定位不准。解决方式是训练旋转框模型，比如YOLOv8-OBB或者MMRotate里的旋转检测算法。

LabelMe转OBB格式，本质上是在外接矩形基础上增加一个角度信息。旋转框格式一般是class_id x_center y_center width height angle，其中angle是相对于图像x轴的角度。转换时可以直接从四个点里拟合最小外接旋转矩形。OpenCV里已经有现成函数cv2.minAreaRect，拿四个点输入，输出的就是(center_x, center_y), (width, height), angle。不过要注意OpenCV的angle定义和YOLOv8-OBB的angle定义不完全一致，坐标轴方向、角度正负都可能相反，转出来之后最好可视化验证一遍。

我第一次转OBB的时候没做可视化检查，结果训练出来的预测框全部长了“反骨”，角度全偏了90度。后来学乖了，每次转格式都随机抽几十张图，把标注框画回去看看位置对不对再继续。这一步看起来多余，其实省的是后面debug的功夫。

4. 基于这5000张图训练车牌检测模型

数据准备好了，接下来就是训练环节。我用这套数据在YOLOv8上做过完整训练，下面把整个过程和关键参数梳理一遍，直接照着做就能跑通。

4.1 环境与数据准备

环境建议直接用YOLOv8官方镜像或者基于Python 3.9+的虚拟环境。安装就两行命令：

pip install ultralytics pip install opencv-python

数据目录按这个结构组织：

dataset/ ├── images/ │ ├── train/ │ ├── val/ │ └── test/ └── labels/ ├── train/ └── val/

图片和标注文件要一一对应，同名只是后缀不同。划分比例我建议按8:1:1或者直接用train/val二分的9:1。5000张数据不算多，验证集留500张左右足够看出模型效果。

4.2 data.yaml与训练配置

YOLOv8通过一个YAML文件描述数据集信息，文件内容如下：

path: /path/to/dataset train: images/train val: images/val names: 0: plate

这里一个容易忽略的细节是path字段。如果这个路径写错了，ultralytics会去默认路径找数据，然后报错找不到文件。建议用绝对路径，不要用相对路径，避免换机器后路径失效。

训练命令如下：

yolo detect train \ data=/path/to/data.yaml \ model=yolov8n.pt \ epochs=300 \ imgsz=640 \ batch=16 \ lr0=0.01 \ augment=True

模型选择上，如果追求速度和部署轻便，用yolov8n或者yolov8s；如果精度优先而且GPU显存够大，用yolov8m或者yolov8l。我的实测是，n模型在验证集上mAP50大概能到90%左右，l模型能到96%左右，但推理速度差了好几倍。工业场景里，我通常选s或m，平衡点比较合适。

4.3 针对暗亮光的增强策略

这个数据集的特点就是暗光和亮光，所以训练时数据增强要特别关注亮度扰动。YOLOv8的增强参数里有hsv_h、hsv_s、hsv_v，分别对应色调、饱和度、明度的随机扰动。默认的hsv_v是0.4，但对于这套暗亮光数据，我建议加大到0.6左右，让模型在明暗变化上有更强的泛化能力。

另外还可以手动加一些额外的图像处理：随机gamma校正、随机对比度调整、模拟夜间低照度的噪声。我写过一个简单的预处理函数，在训练前对部分图片做gamma变换，实验下来确实能提升夜间场景的检测效果。这些操作本质上是把数据集里的光照分布进一步拓宽，让模型见过更多“极端情况”。

4.4 指标怎么看到底准不准

训练结束后不要只盯着mAP看，要结合使用场景看具体指标。车牌检测有两个重点关注项：一是小目标的召回率，二是不同光照条件下的稳定性。

这里有一个经验：把验证集按图片亮度分成三组（暗、正常、亮），分别计算每组mAP。只报一个总mAP会掩盖光照差异的问题。我在实际调优中就发现过一个模型总mAP 93%，但暗光组只有82%，亮的组95%。如果不分组看，你根本不知道模型的短板在夜间。这个分组评估的小工具不复杂，用OpenCV算每张图的平均亮度，按阈值归类，然后分开跑验证就行，但信息密度比单看一个总指标高很多。

5. 我在这个数据集上踩过的坑与排查技巧

这部分是纯经验分享。我在处理车牌检测数据集时，尤其是这种带光照专项的场景，遇到过不少让人抓狂的问题，写出来给大家做个参考。

5.1 标注阶段的坑

LabelMe标注最麻烦的是类别名不统一。如果有多个标注员或多次标注，同样的车牌可能被标成plate、car_plate、license，看起来是小事，但转类别ID时容易出错。处理办法是在清洗脚本里做一次类别映射，把所有非预期类别统一替换掉。

另一个坑是标注点顺序。前面提过一遍，这里再强调一下：转换前一定要把四个点按统一规则排序。尤其当一张图里有多个车牌时，不同标注员点击的顺序可能完全不同，不排序就直接转换的话，旋转框的angle会乱。

5.2 转换与训练阶段的bug

常见的是转YOLO后发现归一化坐标出现大于1或小于0的值。原因一般有两种：一是标注点有超出图片边界的，二是坐标除以了错误的宽高。解决办法是在转换脚本里加边界裁剪，点坐标限制在[0, width]和[0, height]范围内。

训练阶段如果loss不稳定或收敛慢，先检查标注文件和图片是否严格对齐。我遇到过一个情况是图片顺序按文件名排列，但标注文件是按修改时间排列的，错位之后模型相当于在随机学一堆错误映射，效果自然烂。

5.3 常见问题速查表

最后再分享一个我自己的习惯：每次拿到这种专项数据集，不要急着全量灌进模型。先挑几十张特征明显的图看一眼标注质量，再拿一个小模型快速跑个10轮验证数据可用性，然后再开正式训练。这套流程能让整个实验过程少走很多弯路。这个5000张的CCPD2019子集，如果利用好光照信息，做成一个专项增强样本池，复用到其他车牌检测项目里也能明显提升模型的鲁棒性。

本文还有配套的精品资源，点击获取