پلاتریکس مجموعه مدل‌های تولیدیِ ONNX دیباچین برای تشخیص و خواندنِ پلاکِ خودروهای ایرانی است؛ یک سامانهٔ بلادرنگ و خودمیزبان که روی سخت‌ترین دامنه — تصاویرِ واقعیِ دوربین‌های نظارتی — کار می‌کند.

چطور کار می‌کند؟

خطِ لوله دومرحله‌ای است: ابتدا یک تشخیص‌گرِ YOLOv8 پلاک را در فریم پیدا می‌کند، سپس یک مرحلهٔ بهبودِ کیفیتِ تصویر آن را تمیز می‌کند، و در نهایت یک خوانندهٔ بدونِ بخش‌بندیِ CRNN + CTC کلِ پلاک را یک‌جا می‌خواند و چیدمانِ استانداردِ ایرانی را برمی‌گرداند. خواندنِ کلِ پلاک یک‌جا، در برابرِ سایه، تاری و کجیِ عکس‌های واقعی بسیار مقاوم‌تر از بخش‌بندیِ نویسه‌هاست.

کارایی روی تصاویرِ واقعی

پلاتریکس روی ۲۲۰ عکسِ واقعیِ نظارتیِ ایرانی (دوربین‌های خاکستریِ درب و جاده) سنجیده شد:

  • نرخِ خواندنِ سرتاسری: از ۹۵٫۹٪ به ۹۷٫۷٪ با افزودنِ یک تشخیص‌گرِ ثانویه که فقط روی حدود ۲٪ فریم‌های سخت فعال می‌شود.
  • دقتِ خواننده روی عکس‌های واقعی: حدود ۹۸٪.
  • دقتِ تشخیص‌گر: mAP@0.5 حدود ۰٫۹۹.

همهٔ مدل‌ها با ONNX Runtime اجرا می‌شوند — هنگام اجرا نیازی به PyTorch یا TensorFlow نیست. کدِ کامل و داشبوردِ سامانه در مخزنِ گیت‌هابِ پلاتریکس موجود است.

پرسش‌های متداول

دقت پلاتریکس چقدر است؟

روی ۲۲۰ عکسِ واقعیِ نظارتی، نرخِ خواندنِ سرتاسری با تشخیص‌گرِ ثانویه به ۹۷٫۷٪ و mAP@0.5 تشخیص‌گر به حدود ۰٫۹۹ می‌رسد.

آیا برای اجرا به PyTorch نیاز است؟

خیر؛ همهٔ مدل‌ها با ONNX Runtime اجرا می‌شوند و هنگام اجرا نیازی به PyTorch یا TensorFlow نیست.

منابع معتبر و مطالعهٔ بیشتر

نقش دیباچین

مدل‌های خانوادهٔ دیبا ساختهٔ دیباچین است؛ اگر می‌خواهید این مدل‌ها را روی زیرساختِ خودتان مستقر کنید، روی دادهٔ سازمانی تنظیم کنید یا در محصولتان به‌کار بگیرید، با ما تماس بگیرید و همهٔ مدل‌های دیباچین را ببینید.