Russian License Plate Dataset: датасеты российских госномеров для компьютерного зрения

Обучить детектор российских автомобильных номеров на случайном наборе картинок из интернета почти невозможно: модель начнёт путать регионы, терять символы на грязных пластинах и сбоить на прицепах с квадратными знаками. Для задачи распознавания госномеров РФ нужен специализированный russian license plate dataset — размеченная выборка изображений с координатами пластин и транскрипцией символов, собранная с учётом формата ГОСТ Р 50577.

В этой статье разберём, какие открытые датасеты существуют для русских номеров, как устроена разметка, как подготовить данные к обучению YOLO или OCR-модели и на какие подводные камни обратить внимание при сборе собственной выборки.

Что такое датасет российских номеров и зачем он нужен

Датасет номерных знаков — это набор изображений, где каждая пластина снабжена аннотацией. Минимальная аннотация включает bounding box (рамку вокруг номера), полная — координаты углов пластины и строку с текстом номера. Такие данные используются на двух этапах конвейера ANPR (Automatic Number Plate Recognition): детекция пластины в кадре и последующее распознавание символов.

Российская специфика усложняет задачу. Стандартный номер формата «А123БВ77» отличается от европейских и американских пластин шрифтом Road Numbers, кириллическим набором букв (используются только 12 букв, имеющих латинские аналоги) и трёхзначным кодом региона. Кроме того, существуют отдельные типы знаков: для прицепов, мотоциклов, тракторов, такси, дипломатических и военных машин — у каждого своя геометрия.

Поэтому датасет, собранный на зарубежных данных, для РФ не подходит: модель, обученная на европейских пластинах, будет систематически ошибаться в коде региона и путать буквы «В» и «В» кириллической раскладки.

Обзор доступных открытых датасетов

Полноценных публичных датасетов именно российских номеров немного, и их качество сильно различается. Ниже — основные варианты, которые можно найти в открытом доступе. Перед использованием обязательно проверяйте лицензию конкретной выборки: часть данных публикуется только для исследовательских целей.

• 📦 Nomeroff Net dataset — данные, собранные вокруг одноимённого open-source проекта; включают номера нескольких стран, в том числе РФ, с разметкой углов пластин и текстов.
• 🎓 Выборки на Kaggle и GitHub — энтузиасты регулярно публикуют наборы кадров с российскими номерами, часто в формате YOLO или COCO; качество разметки нужно проверять вручную.
• 🚗 OpenALPR / подобные бенчмарки — универсальные выборки, где российские номера присутствуют фрагментарно; годятся для дообучения, но не как единственный источник.
• 🛠️ Синтетические генераторы — скрипты, рендерящие пластины по ГОСТу с наложением на фоны; полезны как дополнение к реальным кадрам.

⚠️ Внимание: номерной знак — персональные данные в спорном правовом статусе. Перед сбором собственного датасета с камер или видеорегистраторов убедитесь, что использование изображений не нарушает законодательство о персональных данных и авторские права владельцев видео.

Форматы разметки и структура данных

Разметка определяет, какую задачу сможет решить модель. Для детекции достаточно прямоугольной рамки, а вот для выравнивания перспективы пластины перед OCR нужны координаты четырёх углов. Транскрипция текста номера требуется для обучения распознавателя символов.

На практике удобнее всего хранить мастер-разметку в одном формате (например, COCO) и конвертировать под конкретный фреймворк скриптом. Так проще исправлять ошибки разметки — правка делается в одном месте.

Конвертацию между форматами удобно делать через библиотеки вроде pycocotools или утилиты типа roboflow — они снижают риск ошибок при пересчёте координат.