企业官网建设流程全解析

车牌检测 YOLOv5n（keremberke） 完全指南：原理、TigerPro 接入、代码实战与落地案例（keremberke-yolov5n-license-plate）

系列：TigerPro AI 模型手册（5/110）· 分类：交通车辆
你能带走什么：原理边界、规格表、完整接入步骤、可运行代码、双案例、调参表、避坑与验收清单。
适用读者：CV_PyhonVue_Tigerpro 研发 / 实施 / 算法联调同学。
github地址:Tiger AI Plateform项目采用Apache License 2.0开源协议发布；请合法合规使用；github地址：https://github.com/5758703

1. 开篇：这个模型解决什么问题

YOLOv5n 车牌定位（keremberke）。车辆追踪兼容项，经专用加载器推理。

一句话记忆：车牌检测 YOLOv5n（keremberke）的modelKey是keremberke-yolov5n-license-plate，任务是目标检测（object-detection），前端主要在车辆追踪（/ai/vehicle），典型场景是「轻量车牌检测」。如果你只想最快跑通：先保证权重目录非空，再在对应业务页下拉选中本模型，用 5~10 条真实样本冒烟。

0.1 阅读路线（3 分钟 / 30 分钟）

本篇是 TigerPro 模型手册第5/110篇，聚焦单一 modelKey，避免把 110 个模型揉进一篇「大而空」的清单文。

1.1 目标检测在业务里真正交付什么

车牌检测 YOLOv5n（keremberke）（keremberke-yolov5n-license-plate）属于目标检测：对每一帧输入输出一组框( x 1 , y 1 , x 2 , y 2 ) (x_1,y_1,x_2,y_2)(x1​,y1​,x2​,y2​)、类别 id/名称与置信度s ∈ [ 0 , 1 ] s\in[0,1]s∈[0,1]。检测不是「看图说话」，而是把非结构化像素变成可检索、可告警、可追踪的结构化事件。在园区安防里，检测结果会进入告警规则引擎；在交通卡口里，检测框会裁剪给 OCR；在跨镜 MTMC 里，检测框是局部追踪与 ReID 提特征的唯一入口。

工程上要同时盯三件事：召回（漏检）、精度（误报）、延迟（能否跟得上抽帧）。三者互相拉扯——把 conf 提到0.6 0.60.6误报下降但漏检上升；把分辨率提到 1080p 精度更好但 CPU 吃紧。TigerPro 建议先用默认参数跑通链路，再用验收表做网格搜索，而不是一上来「玄学调参」。

1.2 输出如何被下游消费

常见下游有四类：① 可视化叠加（监控墙 MJPEG）；② 事件入库（检测记录/告警）；③ 二次模型（车牌 OCR、姿态、分割）；④ 追踪关联（ByteTrack/IoU + 全局 ReID）。因此选检测模型时，不要只看 COCO mAP，还要看「小目标」「遮挡」「夜间」是否覆盖你的摄像头视角。

1.3 复杂度与评测口径（加分项）

单帧推理可粗写为T f r a m e ≈ T p r e + T n e t + T n m s T_{\mathrm{frame}} \approx T_{\mathrm{pre}} + T_{\mathrm{net}} + T_{\mathrm{nms}}Tframe​≈Tpre​+Tnet​+Tnms​。其中 NMS 在候选框数为n nn时近似O ( n log ⁡ n ) O(n\log n)O(nlogn)到O ( n 2 ) O(n^2)O(n2)量级，密集人群会放大后处理占比。业务验收请同时报：mAP@0.5、漏检率、P95 延迟、每小时误报条数——四者缺一，线上扯皮成本极高。

1.4 适合用 / 不适合用

选型时把keremberke-yolov5n-license-plate放进「候选短名单」，用同一批样本对比同分类相邻模型的延迟与误差，再锁生产版本。短名单建议不超过 3 个 modelKey，否则对照实验会拖成月度项目。

2. 模型名片与能力边界

2.1 规格速查表

2.2 输入输出约定（实施视角）

2.3 资源与性能预期（经验区间，需本机实测）

3. 在 TigerPro 架构中的位置

TigerPro 的模型不是散落脚本，而是「登记 → 绑定权重 → 业务页选择 → services 推理 → 展示/告警/入库」。本模型keremberke-yolov5n-license-plate同样走这条链路。理解位置，才能在监控墙、MTMC、告警之间排障。