从算法小白到专家一：基于Claude Code和YOLO目标检测框架的车牌识别模型训练与应用

一 摘要

Claude Code最大的好处就是降低了一些专业工作的技术门槛，例如前端开发、算法工程师。让我们不必一切都从零开始学习，而是只要能够描述清楚需求，并具备一定的分析能力，就可以得到大部分所需要的结果。

前面几篇文章我们分别介绍了车牌识别的数据集，以及ollama和claude code的安装及使用方法，接下来我们将使用Claude Code来训练一个车牌识别模型，在前面下载的CCPD数据集上进行训练及测试。

二 YOLO框架

YOLO 是一个经典的计算机视觉目标检测算法系列，名字 "You Only Look Once" 生动地体现了它的核心优势——只需一次"看"图像，就能同时预测出所有物体的类别和位置。随着系列的演进，目前主流的 YOLOv5、v8 到 v11 等版本，都可以通过强大的 ultralytics Python 库来统一调用，极大地降低了使用门槛。

三 使用Claude Code的训练过程

3.1 输入目标

打开Claude Code，选择minimax-m2.5:cloud模型，在对话框中输入：

python 怎样用yolo训练车牌识别模型？

由于我本地已经有了CCPD数据集，接下来输入如下：

我本地已经有CCPD数据集，现在需要基于yolo训练一个车牌识别模型 

Claude Code给出的回答如下：

实际上是Claude Code会执行shell命令，到你的磁盘上搜索包含CCPD的目录，当然中间需要你确认并对访问目录授权。其实如果要简化步骤，你可以直接输入数据集已下载的所在目录，这样可以简化操作。

3.2 找到数据集所在目录，探测+识别

找到CCPD数据集所在目录后，提示输入，进行检测+识别

可以看到，其实Claude Code具备分布思考、提示与执行能力，并且可以看到中间分析过程的一些提示词痕迹。

基于CCPD数据集训练的过程被分为三步：

1.将CCPD数据集转换为YOLO格式

2.创建YOLO数据集配置

3.训练YOLO检测模型

3.3 将CCPD数据集转换为YOLO格式

1、Claude Code需要先理解CCPD文件名的格式，然后编写转换脚本。在这一步中，实际执行的是Python的Image.open()方法，得到图片属性如下：图像尺寸是720x1160。文件名中 352&516_448&547 是边界框坐标（左上x&y_右下x&y）

2、编写数据转换脚本。在编写过程中可能还会根据实际情况运行调试，例如当目录被占用等情况

这一步执行完，会将CCPD数据转换为YOLO格式（txt标注文件），每个图片对应一个txt：

# 格式: class_id x_center y_center width height (归一化0-1)
  0 0.5 0.5 0.3 0.2
  创建 data.yaml：
  path: /path/to/ccpd_dataset
  train: images/train
  val: images/val
  names:
    0: license_plate

3、执行过程中也可能会提示安装依赖，如果你没有安装过opencv的话：

安装依赖
  pip install ultralytics opencv-python pillow

转换结果：

3.4 训练模型

Claude Code会编写训练脚本（train_yolo.py），并通过python3 train_yolo.py执行，输出如下：

⏺ Write(train_yolo.py)
  ⎿  Wrote 21 lines to train_yolo.py
       1 #!/usr/bin/env python3
       2 """YOLO车牌检测模型训练"""
       3 from ultralytics import YOLO
       4
       5 # 使用YOLOv8n（nano）模型最快的训练
       6 model = YOLO('yolov8n.pt')
       7
       8 # 训练
       9 results = model.train(
      10     data='ccpd_yolo/data.yaml',
     … +11 lines (ctrl+o to expand)
  ⎿  API Error: Content block not found
⏺ Bash(python3 train_yolo.py)

⏺训练已在后台开始运行。
 训练参数：
 - 模型: YOLOv8n (轻量快速)
 - Epochs: 50
 - 图像大小: 640
 - Batch: 16
 
你可以用以下命令查看进度：
 #查看训练日志
 tail -f /private/tmp/claude-501/-Users-develop-learn-gitcodes-ai-openclaw-wechat/a2354418-db1f-474d-9faf-dd0c39f1ce26/tasks/b7zd7f24r.output
 
训练完成后模型保存在：
runs/detect/plate_detect/weights/best.pt

之后就是漫长的训练过程（大约1~3个小时）,可能会提前中断。出现这种情况，要求继续训练就可以了。或者如果感觉精度达到要求，那么也可以直接使用当前的训练结果。

3.5 推理测试

在Claude Code中选择用测试模型进行推理，Claude Code会生成测试脚本并执行（使用CCPD的test下的测试数据集）:

3.6 结果不满，继续训练

上面的训练实际上只跑了3轮，不太符合预期，我们可以让Claude Code继续执行训练：

❯ 打开结果所在目录                                                                                                         
⏺ Bash(open /Users/lijingyong/develop/learn/gitcodes/ai/openclaw-wechat/inference_output/results)
  ⎿  (No output)
  ⎿  API Error: Content block not found
⏺ 已打开结果目录，你可以查看检测后的图片。
✻ Crunched for 1m 12s · 1 shell still running
❯ 置信度是否有点低？能否达到90%以上                                                                                        
⏺ 当前置信度约84-88%，可以通过以下方式提升：
  1. 继续训练更多epoch (推荐)
  模型已训练4个epoch，精度还有提升空间。继续训练：
  from ultralytics import YOLO
  model = YOLO('runs/detect/plate_detect/weights/last.pt')
  model.train(data='ccpd_yolo/data.yaml', epochs=50, resume=True)
  2. 调整推理置信度阈值
  降低阈值可检测更多车牌（但可能增加误检）：
  model.predict(..., conf=0.3)  # 默认0.5
  3. 使用更大模型
  用yolov8s或yolov8m替代yolov8n：
  model = YOLO('yolov8s.pt')  # small
  需要我继续训练模型吗？
✻ Worked for 40s · 1 shell still running
❯ 继续训练，不要中断

这样，模型就会继续训练，等待训练完成即可。

四 YOLO目标检测评估指标介绍

YOLO目标检测的结果评估通常涉及4个指标：Precision（精确率），Recall（召回率），mAP50，mAP50-95。这几个指标的概念简要介绍如下：

1. Precision（精确率） 定义：预测为正例中真正例的比例

计算方式： Precision = TP / (TP + FP) - TP（True Positive）：正确检测到的车牌

- FP（False Positive）：误检为车牌的错误检测 衡量：模型预测的准确性有多高 优点：高Precision意味着误检少

缺点：可能漏检较多（保守预测）

2. Recall（召回率） 定义：实际正例中被正确检测到的比例

计算方式：Recall = TP / (TP + FN)

- FN（False Negative）：漏检的车牌 衡量：找全车牌的能力

优点：高Recall意味着漏检少

缺点：可能误检增多（激进预测）

3. mAP50（Mean Average Precision @ IoU=0.5）

定义：IoU阈值为0.5时的平均精度

IoU（Intersection over Union）：交并比，预测框与真实框的交集/并集 IoU = (预测框 ∩ 真实框) / (预测框 ∪ 真实框)

衡量：检测框与真实框重叠程度≥50%时视为正确

优点：标准宽松，适合实际应用

缺点：无法精确评估定位精度

4. mAP50-95（Mean Average Precision @ IoU=0.5~0.95） 定义：IoU从0.5到0.95（步长0.05）的平均精度

计算方式： mAP50-95 = (AP@50 + AP@55 + ... + AP@95) / 9

衡量：更严格的检测精度，要求检测框与真实框高度重合

优点：全面评估检测和定位能力

缺点：标准严格，数值通常较低

推理测试时，还提到了置信度指标，与上述四个指标的关系如下：

五 总结

这是我们作为算法小白跑的第一个模型。由此可见，Claude Code确实非常方便也很强大。不仅仅是对大模型的简单包装，更是可以改变我们日常工作模式，大幅提升工作效率的利器。