FastALPR模型选型终极清单：YOLOv9检测模型与全球车牌OCR模型如何选才对

FastALPR 是一个基于 Python 的高性能自动车牌识别（ALPR）框架，其核心就是「YOLOv9 检测模型 + 全球车牌 OCR 模型」的组合。对新手来说，上手时最容易卡住的就是模型选型：检测模型用哪个？OCR 模型选哪个才支持全球车牌？精度和速度如何权衡？本文将结合官方默认配置与仓库内实测过的模型清单，带你一步步完成 FastALPR 模型选型。

🔍 先懂流程：车牌识别中两个模型如何配合

FastALPR 的识别流程分为两步：

1. 车牌检测（Detector）：先在图像中「找到」车牌区域，默认使用基于 YOLOv9 的 ONNX 检测模型；
2. 车牌 OCR（OCR）：裁剪出车牌后，由 OCR 模型「读出」文字，并返回逐字符置信度。

两步都支持自由换模型：在 fast_alpr/alpr.py 中，ALPR类通过detector_model参数指定检测模型、ocr_model参数指定 OCR 模型；两者的默认实现分别位于 fast_alpr/default_detector.py 和 fast_alpr/default_ocr.py。

🎯 检测模型怎么选：YOLOv9 默认，开箱即用

检测模型来自open-image-models依赖的PlateDetectorModel枚举，FastALPR 默认使用：

yolo-v9-t-384-license-plate-end2end

拆解一下这个名字：

• yolo-v9：YOLOv9 网络架构；
• t：Tiny 轻量版，兼顾推理速度与精度；
• 384：输入分辨率 384×384，适合大多数监控与行车记录场景；
• end2end：端到端训练，无需额外后处理组件。

多数场景直接用默认模型即可。如果漏检或误检偏多，可以调节detector_conf_thresh（默认 0.4）：

from fast_alpr import ALPR alpr = ALPR(detector_conf_thresh=0.3)

完整检测模型清单见 docs/reference.md。

🌍 全球车牌 OCR 模型怎么选：6 个主力模型详解

OCR 模型来自fast-plate-ocr依赖的OcrModel枚举。仓库的端到端测试 test/test_alpr.py 覆盖了以下 6 个全球车牌模型：

简单选型原则：

• 通用全球车牌 + 资源有限→cct-xs-v2-global-model（官方默认）；
• 追求更高识别精度→ 换cct-s-v2-global-model；
• 以欧洲车辆为主→european-plates-mobile-vit-v2-model；
• 移动端轻量化部署→*-mobile-vit-v2-model系列。

⚡ 模型组合速查表：按场景一键对号入座

✅ 三步验证：确认你选的模型真的好用

安装并初始化后，用仓库自带的测试图片（assets/test_image.png）跑一次识别：

from fast_alpr import ALPR alpr = ALPR( detector_model="yolo-v9-t-384-license-plate-end2end", ocr_model="cct-xs-v2-global-model", ) results = alpr.predict("assets/test_image.png") print(results)

输出为ALPRResult列表，包含检测置信度、边界框坐标，以及 OCR 识别出的车牌文本与置信度：

💡 运行前需先安装 ONNX 后端，例如pip install fast-alpr[onnx]（CPU）或pip install fast-alpr[onnx-gpu]（NVIDIA GPU），详见 docs/installation.md。

🧩 进阶玩法：接入你自己的检测 / OCR 模型

FastALPR 把检测与 OCR 抽象为两个接口BaseDetector与BaseOCR（定义在 fast_alpr/base.py），实现一个predict方法即可接入任意检测或 OCR 引擎，例如 Tesseract，完整示例见 docs/custom_models.md。

相关资料：

• API 参考：docs/reference.md
• 快速上手：docs/quick_start.md
• 贡献指南：docs/contributing.md