PLPR nutzt YOLOv5 und benutzerdefinierte Modelle für die hochgenaue Erkennung persischer Nummernschilder, mit Echtzeitverarbeitung und einer intuitiven Benutzeroberfläche in einem Open-Source-Framework.
Erkennen und erkennen Sie persische Nummernschilder in Bildern und Videos mit fortschrittlichen KI-Modellen.
Beanspruchen Sie die Seite: indexiert unabhangig vom Rang, in sechs Sprachen ubersetzt und mit Ihren eigenen Worten erganzt.
Erhalten Sie eine E-Mail-Benachrichtigung beim nächsten Release oder wenn es durchstartet.
Kostenlos · ohne Karte · jederzeit abbestellbarPLPR nutzt YOLOv5 und benutzerdefinierte Modelle für die hochgenaue Erkennung persischer Nummernschilder, mit Echtzeitverarbeitung und einer intuitiven Benutzeroberfläche in einem Open-Source-Framework.
persian-license-plate-recognition hat 447 Sterne auf GitHub. Es wurde 126-mal geforkt. persian-license-plate-recognition ist hauptsächlich in Python geschrieben. Es wird seit 2024 aktiv entwickelt. persian-license-plate-recognition ist unter der GPL-3.0-Lizenz verfügbar. Die Hauptthemen sind: ai, computer-vision, image-processing, license-plate-recognition.
PLPR nutzt YOLOv5 und benutzerdefinierte Modelle für die hochgenaue Erkennung persischer Nummernschilder, mit Echtzeitverarbeitung und einer intuitiven Benutzeroberfläche in einem Open-Source-Framework.
persian-license-plate-recognition ist ein Open-Source-Projekt. Es wird unter der GPL-3.0-Lizenz veröffentlicht.
Ja. persian-license-plate-recognition ist kostenlos und Open Source — Sie können es nutzen, anpassen und selbst hosten. Die GPL-3.0-Lizenz ist Copyleft: Eine veränderte Version, die Sie weitergeben, muss unter derselben Lizenz bleiben.
persian-license-plate-recognition ist unter der GPL-3.0-Lizenz verfügbar.
persian-license-plate-recognition ist hauptsächlich in Python geschrieben.
Fügen Sie dieses Live-Abzeichen zu Ihrem README hinzu — Ihre GitHub-Sterne und Verzeichnisrang, täglich aktualisiert.
[](https://olud.ai/project/truthofmatthew-persian-license-plate-recognition.html)
Ermittelt aus gemeinsamen GitHub-Topics beider Projekte, gewichtet nach ihrer Seltenheit.