Dieses Papier stellt ein effizientes und layoutunabhängiges Automatisches Kennzeichenerkennungssystem (AKES) vor, das auf dem modernsten YOLO-Objekterkennungsdetektor basiert. Das System umfasst einen einheitlichen Ansatz für die Erkennung von Kennzeichen (KZ) und die Layoutklassifizierung, um durch Postprocessing-Regeln die Erkennungsergebnisse zu verbessern. Es wurde entwickelt, indem verschiedene Modelle evaluiert und optimiert wurden, wobei das Ziel darin bestand, den besten Kompromiss zwischen Geschwindigkeit und Genauigkeit in jeder Phase zu erzielen. Die Netzwerke wurden mit Bildern aus mehreren Datensätzen trainiert, ergänzt durch verschiedene Datenverstärkungstechniken, sodass sie unter verschiedenen Bedingungen robust sind. Das vorgeschlagene System erreichte eine durchschnittliche end-to-end-Erkennungsrate von 96,9 % über acht öffentliche Datensätze (aus fünf verschiedenen Regionen), die in den Experimenten verwendet wurden. Es übertraf sowohl frühere Arbeiten als auch kommerzielle Systeme in den Datensätzen ChineseLP, OpenALPR-EU, SSIG-SegPlate und UFPR-ALPR. In den anderen Datensätzen erzielte der vorgeschlagene Ansatz vergleichbare Ergebnisse wie die Baseline-Systeme. Ein weiterer Beitrag besteht darin, dass wir manuell 38.351 Begrenzungsrahmen auf 6.239 Bildern aus öffentlichen Datensätzen annotiert haben und diese Annotationen der Forschergemeinschaft zur Verfügung gestellt haben.Anmerkungen:- "Automatic License Plate Recognition" wurde als "Automatisches Kennzeichenerkennungssystem" übersetzt.- "YOLO object detector" wurde als "YOLO-Objekterkennungsdetektor" übersetzt.- "license plate" wurde als "Kennzeichen" übersetzt.- "post-processing rules" wurde als "Postprocessing-Regeln" übersetzt.- "frames per second (FPS)" wurde als "Bilder pro Sekunde (FPS)" übersetzt.- Die Namen der Datensätze wurden beibehalten: ChineseLP, OpenALPR-EU, SSIG-SegPlate und UFPR-ALPR.