VOC车牌数据集转YOLO格式：从XML解析到目标检测训练全流程

简介：中国车辆车牌号识别数据集是一套用于车牌检测与字符识别任务的标注数据包，面向计算机视觉开发者、算法工程师及高校相关专业学生。数据集包含1458张已标记的车牌图片，标注覆盖车牌中的数字和英文字母，且采用VOC格式对图像中的目标区域进行描述，方便直接接入YOLO、Faster R-CNN等主流目标检测框架，减少前期数据整理与格式转换成本。整个压缩包大小约19.49MB，体积适中，便于下载和本地快速启动实验；图片数量足够支撑算法验证、模型微调和课程设计等场景。目前已有684人学习下载，适合需要真实车牌标注数据来完成课题研究、毕业设计或入门车辆视觉项目的用户。利用其中图片与标注，可重点练习车牌定位、字符分割与识别等关键环节，也可根据自身任务扩展至不同光照和背景条件下的鲁棒性测试。

1. 中国车辆车牌号识别数据集：1458张VOC标记，先搞清它能训什么

这份中国车辆车牌号识别数据集，1458张标记图片，VOC格式标记，目标是车牌上的数字和字母。听起来够规整，直接拖进训练脚本就能开跑；但真按标题去落地，第一脚大概率踩空：VOC里的name字段存的是一整串车牌字符串，而YOLO的类别是整数ID，两者天然对不上。

这个数据集真正的价值，是把“VOC标注上车牌 → 检测模型出框 → 下游OCR读字符”这条链路，用最小成本完整跑通。它适合两类人：刚入门目标检测、想拿真实场景练手的新手，以及做车牌识别方案选型、先验证精度的工程师。1458张在这个场景里够用，前提是先看懂目录结构、确认标注粒度，再动手写转换脚本。

2. 先看懂数据边界：VOC目录结构、XML解析与字符集确认

2.1 VOC格式的标准目录结构：解压后先对这四个目录

VOC（Pascal VOC）是目标检测数据组织的约定俗成，不是某个框架的私有格式。标准的VOC目录里应该有JPEGImages（原图）、Annotations（同名的XML标注）、ImageSets/Main（train.txt、val.txt这类列表）。拿到这个1458张的zip包，我一般先不看图片，先跑一遍tree看顶层目录，确认是不是这套结构。如果是，后面所有脚本都可以按VOC惯例写；如果只有一堆jpg和xml散在同一个目录，也不慌，脚本里多一步扫描就行。

这套结构本身不复杂，真正的风险在于“目录看起来对，实际缺文件”。所以接下来要在代码里验证，而不是用眼睛。

2.2 用Python把XML全部过一遍：确认name字段到底标了什么

拿到VOC标注，第一件事不是转格式，而是把所有XML读一遍，看每张图被标了什么、每个标记框长什么样。这一步同时确认三件事：图片与标注是否一一对应、目标框坐标是否合理、name字段是“一整个车牌字符串”还是“单个字符”。这两者的区别，直接决定后面走哪条训练路线。

import os import glob import xml.etree.ElementTree as ET annot_dir = "Annotations" # VOC的XML目录 xml_files = sorted(glob.glob(os.path.join(annot_dir, "*.xml"))) print("XML 总数:", len(xml_files)) unique_names = set() bad_files = [] for xml_path in xml_files: try: tree = ET.parse(xml_path) root = tree.getroot() except ET.ParseError as e: bad_files.append((xml_path, f"XML解析失败: {e}")) continue filename = root.findtext("filename") objs = root.findall("object") if not objs: bad_files.append((xml_path, "没有任何object节点")) continue for obj in objs: name = obj.findtext("name") unique_names.add(name) box = obj.find("bndbox") xmin = int(box.findtext("xmin")) ymin = int(box.findtext("ymin")) xmax = int(box.findtext("xmax")) ymax = int(box.findtext("ymax")) # 坐标合理性粗检：右大于左、下大于上 if xmax <= xmin or ymax <= ymin: bad_files.append((xml_path, f"目标框异常: {name} {xmin},{ymin},{xmax},{ymax}")) print("唯一name标签数:", len(unique_names)) print("前20个唯一name:", sorted(unique_names)[:20]) print("可疑文件数:", len(bad_files)) for f, reason in bad_files[:10]: print(f, reason)

这段脚本逻辑分四块：第一块用glob扫出所有XML并打印总数，用来与“1458张图片”的数量对齐；第二块逐个解析XML，取filename和所有object节点；第三块把每个目标的name收进集合，同时用“xmax > xmin 且 ymax > ymin”做一次坐标粗检；最后打印唯一标签的前20个。参数上唯一值得改的是annot_dir，如果压缩包里XML目录不叫Annotations，改成实际目录名即可。之所以只取前20个，是因为如果name是车牌字符串，唯一值可能有几百到上千个，全打印没有意义，看前几个就能判断粒度。

这一步跑完，你会看到两种情况：要么unique_names里全是“苏A12345”这种整串车牌，要么是“0”“1”“A”“B”这种单字符。这两种情况对应完全不同的训练路线，这就是下一节要说的标注粒度。

2.3 标注粒度决定技术路线：整牌框还是字符框

先说结论：如果name是整串车牌，别想直接拿它当YOLO类别。1458张图，每张车牌字符串基本都不重复，换算成类别就是上千个类，每类只有一两张样本，任何检测模型都训不出来，这是会把训练直接带崩的做法。常见做法是把它当成单类“plate”检测任务，XML里所有name都映射到class 0，让模型先学会把车牌位置和大小找出来；字符识别这个环节放到检测框之后，单独用一个OCR模型处理，这也是为什么标题里说“可识别数字和字母”，而不是“模型直接输出字符串”。

如果name是单字符，那可以直接按字符检测来做，类别就是数字0-9加上字母的集合（去掉易混淆的，比如I和O，这是车牌字符集的通用做法，具体以XML实际标签为准）。但这样做有个前提：每个字符都要有独立且正确的框，字符切割稍微偏一点，识别就错。相比之下，整牌框+车牌字符串的标注方式，标注成本低，误标率也低，更适合1458张这种小规模数据集。像CCPD这类更大规模的车牌数据集，走的也是整牌框加属性的路子，说明这个方向在工程上是经过验证的。

2.4 数字字母识别前，把字符集里可能的脏数据先想清楚

数字和字母的识别，最怕标注里出现肉眼难分的混用。2.2打印的唯一name里如果同时出现“0”和“O”，甚至同一个文件里一会儿0一会儿O，别急着骂标注方，先写个脚本统计出现频次，人工抽查几张图再决定怎么统一。常见做法是全部归一成数字（车牌里几乎没有单独用字母O的），或者统一成字母。这个动作放到训练之前做，代价只是一次查找替换；放到训练之后做，就得为每次误识别猜原因，成本高得多。训练前把字符集边界定死，是后面一切工作的地基。

3. 把VOC转成YOLO训练格式：坐标归一化与四个边界坑

3.1 为什么必须转：两套坐标系的差别

VOC里存的是绝对像素坐标，xmin、ymin、xmax、ymax，单位是像素，数值依赖图片本身的分辨率；YOLO训练要的是归一化相对坐标，目标中心点(cx, cy)和宽高(w, h)，数值范围0到1，与分辨率无关。同样一块车牌，在1920x1080和640x480两张图里，VOC坐标完全不同，归一化之后才是同一个值。直接拿VOC坐标喂给YOLO，轻则框位置漂移，重则loss直接炸掉，这是格式转换里最常见的翻车点，也是所有VOC转YOLO教程都要先讲坐标系的原因。

3.2 转换脚本：XML转TXT，同时按8:2切出训练和验证集

这里按“整牌框单类”的路线给脚本，即把所有name都映射到class 0（plate）。如果你确认是字符级标注，把类名字典换成实际的字符集即可。脚本放在数据集根目录跑，输出labels/目录和train.txt、val.txt。

import os import glob import random import xml.etree.ElementTree as ET IMG_DIR = "JPEGImages" # 原图目录 ANN_DIR = "Annotations" # XML标注目录 LAB_DIR = "labels" # 输出：YOLO txt CLASS_MAP = {} # name -> class id，全部映射到 0 random.seed(42) # 第一步：建立图片名与XML的配对检查 for xml_path in glob.glob(os.path.join(ANN_DIR, "*.xml")): stem = os.path.splitext(os.path.basename(xml_path))[0] candidates = glob.glob(os.path.join(IMG_DIR, stem + ".*")) if not candidates: print("警告: 找不到图片", stem) # 第二步：转换坐标写txt for xml_path in glob.glob(os.path.join(ANN_DIR, "*.xml")): root = ET.parse(xml_path).getroot() size = root.find("size") width = int(size.findtext("width")) height = int(size.findtext("height")) stem = os.path.splitext(os.path.basename(xml_path))[0] lines = [] for obj in root.findall("object"): name = obj.findtext("name") class_id = CLASS_MAP.setdefault(name, 0) # 单类：全部归0 box = obj.find("bndbox") xmin = int(box.findtext("xmin")) ymin = int(box.findtext("ymin")) xmax = int(box.findtext("xmax")) ymax = int(box.findtext("ymax")) # 归一化：中心点与宽高都除以图宽高 cx = (xmin + xmax) / 2 / width cy = (ymin + ymax) / 2 / height w = (xmax - xmin) / width h = (ymax - ymin) / height lines.append(f"{class_id} {cx:.6f} {cy:.6f} {w:.6f} {h:.6f}") os.makedirs(LAB_DIR, exist_ok=True) with open(os.path.join(LAB_DIR, stem + ".txt"), "w") as f: f.write("\n".join(lines)) # 第三步：按8:2切分，写训练/验证列表 stems = [os.path.splitext(os.path.basename(p))[0] for p in glob.glob(os.path.join(ANN_DIR, "*.xml"))] random.shuffle(stems) val_count = int(len(stems) * 0.2) val_stems, train_stems = set(stems[:val_count]), set(stems[val_count:]) print(f"训练 {len(train_stems)} 张, 验证 {len(val_stems)} 张") with open("train.txt", "w") as f: for s in sorted(train_stems): f.write(os.path.join(IMG_DIR, s + ".jpg") + "\n") with open("val.txt", "w") as f: for s in sorted(val_stems): f.write(os.path.join(IMG_DIR, s + ".jpg") + "\n")

逻辑说明：脚本分三步。第一步把所有XML和图片做配对检查，防止转换到一半才发现jpg与xml不同名；第二步是核心转换，width和height从XML的size节点读，而不是自己用cv2读图——VOC的size与图片实际尺寸偶尔不一致，严格以图为准，但在清洗阶段用XML size更快，异常会在可视化那一步暴露；第三步用固定随机种子切分，避免每次跑结果不一样。参数里CLASS_MAP全部归0是刻意的，单类plate检测在1458张上最容易收敛，先拿到可用模型再谈字符识别。

3.3 四个边界坑

坑一：坐标算错。现象是训练出来的框整体偏左上或偏右下。原因是xmin/xmax写反，或者width和height写反。解决：转完随机挑5个txt，用cv2.rectangle画在原图上比对，这一步比看100行日志都管用。

坑二：图片扩展名不一致。现象是大量“找不到图片”警告。原因是VOC里jpg、jpeg、png混用，而脚本只找了.jpg。解决：用glob匹配stem.*，或者先统一转成jpg再转换。

坑三：txt和jpg不同名。YOLO要求labels下的txt与图片同名同前缀，差一个字符就找不到标注。解决：转换时用stem作为唯一文件名，不要在中间加后缀。

坑四：XML里有difficult或truncated标记的样本。现象是某些框训练时干扰很大。VOC允许目标被遮挡时标difficult=1，直接把这类框写进txt会让模型学到一堆半截车牌。解决：转换时检查obj.findtext("difficult")，等于1的跳过。

提示：转换类脚本我习惯保留一份完整运行日志，包含每个文件的处理结果。数据量小的时候看不出问题，一旦训练异常，回溯就是靠这些日志而不是靠猜。

4. 用YOLOv8在1458张车牌图上跑通训练：data.yaml、参数与增强

4.1 目录整理与data.yaml：class 0就是plate

YOLOv8的常规目录组织是images/train、images/val、labels/train、labels/val。把上一步生成的labels按train.txt和val.txt分别复制到对应目录，图片同样处理，目录结构就齐了。data.yaml指向这两个目录即可。

# data.yaml path: /your/dataset/root train: images/train val: images/val names: 0: plate

这里有个理解要点：names里的plate是给人类看的可读名，模型只认class id。因为转换时把所有字符串name都映射成了0，所以这里只有0一个类。如果后续要同时检测车牌和车脸，再在这里加一个类，并对应修改转换脚本里的CLASS_MAP。

4.2 训练命令与参数表

用YOLOv8训练自己的数据集，最小命令就一行：

pip install ultralytics yolo detect train data=data.yaml model=yolov8n.pt epochs=150 imgsz=640 batch=16 patience=30 project=./runs name=plate_exp

model=yolov8n.pt是拿COCO预训练权重做初始化，比从零训收敛快很多，在1458张这种规模上强烈建议保留；epochs=150是小数据集的合理区间，50轮以内通常还在过拟合的边缘试探；imgsz=640是默认值，车牌检测如果目标占比小，可以上960或1024，前提是显存够用。

4.3 小数据集的增强策略：关掉翻转，保住字符方向

数据增强对1458张这种规模是救命级的存在，但车牌场景有两处必须手动改，否则就是训练埋雷。第一，关掉水平翻转。YOLOv8默认fliplr=0.5，图片左右翻转后，车牌字符全变成镜像，检测框没影响，但任何字符识别都会被方向搞崩。第二，关掉垂直翻转。垂直翻转后的车牌在真实场景里几乎没有，纯属浪费训练容量。

yolo detect train data=data.yaml model=yolov8n.pt \ epochs=150 imgsz=640 batch=16 patience=30 \ fliplr=0.0 flipud=0.0 mosaic=1.0 scale=0.5 \ hsv_h=0.015 hsv_s=0.7 hsv_v=0.4

参数说明：fliplr和flipud关到0，mosaic保持1.0，让小图通过拼图产生更多背景变化，对定位稳定性很有帮助；hsv_h、hsv_s、hsv_v这组颜色扰动保留，模拟的是不同光照和相机白平衡下的色偏，对车牌在不同光线下的泛化有直接帮助，代价是训练速度略降。scale=0.5限制缩放比例，防止车牌被缩得太小失去可用性。这组参数是车牌检测的通用起点，换了数据集后先看结果再微调。

4.4 显存不够时的降级路线

如果batch=16直接OOM，先把imgsz降到512或416，不要先动batch，因为低分辨率对车牌这种中尺寸目标的影响比小batch更可控。再不行，batch降到8，配合默认的AMP混合精度，通常能压进一张12G的卡。这个数据量级根本用不上多卡，单卡足够。

5. 车牌数据训练的常见问题与避坑：漏标、字符混淆与过拟合

5.1 现象一：训练loss在降，验证mAP不升反降

训练到中后段，loss曲线一路向下，看起来一切正常，验证集mAP却原地踏步甚至往下掉。原因是1458张的小数据集太容易过拟合，模型开始把训练图里的背景细节背下来，而不是学车牌本身。判断依据是训练集和验证集的loss差：如果训练loss远低于验证loss，基本就是过拟合，不需要再怀疑数据或代码。

解决办法按优先级排：先把学习率降到默认的一半重训一轮对比；再给训练命令里加weight_decay=0.0005；最后严格依赖patience=30早停，别让模型在过拟合区间空转。这三步都做完了还不行，再考虑数据增强，而不是继续堆epochs。

5.2 现象二：新能源绿牌几乎全漏检

训练集和验证集mAP都还行，一上真实场景，绿牌车辆大量漏检，蓝牌正常。原因是样本不均，1458张里如果新能源车牌只占几十张，模型对绿色背景的车牌特征几乎没有建模能力。这个现象通常在第一次真实场景测试时暴露，非常扎心。

解决分两步：先统计训练图里车牌的颜色分布，用像素均值判断蓝绿比例，确认是不是失衡；然后对少的一类做补偿，常见做法是复制少类样本做轻微色偏增强，或者补采一批新能源车图。偷懒一点的方案是把hsv_v和hsv_s拉高，让模型不依赖颜色也能定位，但效果不如直接补样本实在。

5.3 现象三：0和O、1和I在标签里混用

这句话是重点：训练前跳过这一步，推理时就得猜。车牌标注最常见的问题，就是同一个字符在不同XML里一会儿标0一会儿标O。检测阶段不敏感，一旦接OCR，这个字符就是系统性错误源。原因是标注时没统一字符集，不同人的标注习惯混在一起。

发现方法很简单：把2.2节打印出的unique_names里所有字符拆开去重，人工看一遍。解决也简单，定好标准字符集后用脚本批量替换：

import glob import re for xml in glob.glob("Annotations/*.xml"): with open(xml, encoding="utf-8") as f: text = f.read() # 只替换name节点中的字母O，不影响其他内容 text = re.sub(r'(?<=<name>)O(?=</name>)', '0', text) with open(xml, "w", encoding="utf-8") as f: f.write(text)

这个正则用后向断言和前向断言锁定了name节点的边界，只替换标签里的字符，不碰bndbox里的坐标值。关键是要先定好标准字符集，再批量替换，别今天改一个明天改一个；替换完成后重新跑一遍2.2的统计脚本，确认唯一值里没有混用才算结束。

5.4 现象四：护栏、车灯、广告牌上的文字被误报成车牌

训练完成，拿一张带广告牌的路边图一测，模型把广告牌上的数字也框出来了。原因是训练集里几乎没有“长得像车牌但不是车牌”的负样本，模型学到的是“有文字、有对比度的矩形就是车牌”，不是“车牌蓝底/绿底且字符排列固定”。

解决思路是给数据集加负样本：找一些没有车牌的背景图，放一个空的txt，让模型知道“这张图里什么都没有”。YOLO训练会把这个当成背景类学习，误报会显著减少。另一个补救是推理时把conf_thres调高，从默认的0.25调到0.35或0.5，精度优先、召回让位，看场景取舍。

注意：这类误报在停车场的杆件、路面标线上特别常见。加负样本时优先选和真实场景重合度高的背景，比随便找些风景图管用得多。

6. 从mAP到一张真实图片：验证车牌模型到底能不能用

6.1 先看混淆矩阵和F1曲线，而不是只看总mAP

单类检测的mAP好看，但mAP是聚合指标，它不告诉你误报长什么样。我一般先看混淆矩阵，确认背景被分类成plate的比例，再看F1-confidence曲线，找F1最高的置信度阈值，用来设置推理时的conf_thres。这套组合拳花不了两分钟，比盯着mAP数字猜模型状态强得多。

6.2 单张实测：拿一张没进过训练集的车牌图跑推理

验证集是给流程用的，真实感要靠没进过数据集的图。抽一张路边拍摄、带点角度和反光的车牌图，跑一次单张预测：

from ultralytics import YOLO import cv2 model = YOLO("runs/plate_exp/weights/best.pt") img = cv2.imread("test_real.jpg") results = model.predict(img, conf=0.35, imgsz=640)[0] for box in results.boxes: x1, y1, x2, y2 = map(int, box.xyxy[0].tolist()) conf = float(box.conf[0]) cv2.rectangle(img, (x1, y1), (x2, y2), (0, 255, 0), 2) cv2.putText(img, f"plate {conf:.2f}", (x1, y1 - 8), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (0, 255, 0), 2) cv2.imwrite("result.jpg", img)

这段代码把检测结果直接画在图上。看两点：框是否刚好包住车牌而不是包了一半，以及字符边界是否完整。如果框偏大或偏小，考虑用更大的imgsz或加强scale增强；如果框很准但你要的是字符内容，下一步就该接OCR了。

6.3 往识别走：检测框crop后交给OCR

检测只是前半程。把结果框裁出来，缩放到OCR模型输入尺寸，再交给PaddleOCR这类通用OCR或专门的LPRNet做字符序列识别，就能拿到完整的车牌号。在1458张这个数据集上，正确路线是“单类检测 + 通用OCR”，别指望一次性端到端输出字符串，那是在为难数据规模。我踩过最深的坑，是拿到数据集就急着训练，连标注粒度都没确认，结果类别数上千、模型完全训不动。现在我的习惯是：先解析XML看标签，再定路线，再谈训练。希望帮到你。

本文还有配套的精品资源，点击获取