写真や動画に写った車のナンバープレートを自動的に見つけたいとき、学習済みの物体検出モデルを使う方法がある。検出した領域をモザイクで隠す用途もあれば、切り出した画像をOCRへ渡して車両番号を読む用途もある。

モデルを探してみると、中国や米国、日本、欧州のプレートに特化したものから、特定の国を対象としていないものまで見つかった。ファイルサイズも約1MBから200MB超まで幅がある。さらに、配布ページに書かれたライセンスと、ベースモデルや重みに適用される条件を調べる必要があった。

この記事では、公開されているナンバープレート検出モデルについて、対象地域、モデルファイルの容量、ライセンス、採用事例を紹介する。調査基準日は2026年10月28日。容量には各配布元のファイル表示値を使用した。

比較方法

比較対象は、画像中のナンバープレートの位置を返す検出モデル。文字を読み取るOCRモデルについては後半で触れる。

対象地域には、公開元が説明する学習対象や想定地域を記載した。国・地域を特定できなかったモデルは「不明」としている。

容量はONNXファイルを優先し、ほかの形式はファイル形式を併記した。表中のMBは検出モデル単体の概数。

公開されている検出モデルの比較表

モデル・配布元対象地域配布ファイル容量公開ライセンス・権利上の確認点
OpenCV YuNet中国ONNX INT8 1.09MB / FP32 4.15MBApache-2.0
Intel vehicle-license-plate-detection-barrier-0106中国、正面からの車両OpenVINO IR FP16：約1.4MB（旧配布版、bin+xml）Open Model ZooはApache-2.0。該当モデルの条件も要照合
PlateYOLO-JP日本ONNX、サイズ未確認AGPL-3.0
Lipla-jp / GTR Pose日本ONNX、サイズ未確認プロジェクトはMIT。重み・派生元は追加確認
0xnu European License Plate欧州ONNX 10.5MB独自条件付きMIT。YOLOv12n由来の条件要確認
Autolane YOLOX-S米国ONNX 35.8MB / INT8 TFLite 9.32MBApache-2.0
Topurrra RT-DETRv2 R18不明ONNX 80.7MBApache-2.0。学習データに別の権利条件
Open LPR YOLOX-tiny不明ONNX 20.2MBApache-2.0。NOTICEも参照
Open Image Models YOLOv9-t不明ONNX 7.77～7.84MB（384/512/640）ライブラリMIT。重みとYOLOv9本家GPL-3.0の関係は未確定
Morsetechlab YOLO11不明ONNX 10.5～228MB（n～x）AGPL-3.0
Ishaqinu YOLO26n不明ONNX 9.79MBAGPL-3.0

Intelの容量は公開アーカイブのFP16配布物にあるbinとxmlの概算合計。YOLOv9の容量はHugging Faceにある第三者ミラーのファイル表示値を採用した。

特定の国・地域向けのモデル

中国：YuNetとIntelの軽量モデル

OpenCVのYuNetは、1.09MBのINT8版、4.15MBの通常版、1.19MBのブロック量子化版を公開している。公式モデルカードによれば、中国のナンバープレートを対象に学習しており、他国では検出性能が低下する可能性がある。

opencv/license_plate_detection_yunet · Hugging Face

Machine learning model. Download, explore files and run it on Hugging Face.

https://huggingface.co/opencv/license_plate_detection_yunet

huggingface.co

IntelのモデルはMobileNetV2とSSDを使用し、中国のナンバープレートと車両を検出する。想定条件は主に正面向きの車両で、プレートの最小幅は96ピクセル。公開されているAPなどの評価値も、正面向きの車両を中心とする検証条件で測定されている。

日本：PlateYOLO-JPとLipla-jp

PlateYOLO-JPは日本のプレート検出と文字認識の技術検証プロトタイプで、検出用ONNXと認識用モデルを別々に扱う。作者は学習に使った撮影データの偏りについても説明している。ライセンスはAGPL-3.0。

Lipla-jpは日本のナンバープレート認識用Pythonライブラリで、検出にGTR Pose、文字認識にPaddleOCR系を使用する。GitHubのモデルローダーではHugging Faceの bukuroo/Lipla-jp から pose_m_260927.onnx を取得する実装を確認できる。プロジェクトはMITライセンスを掲げている。配布された重みとベースモデルの条件は未確認。

欧州：0xnu European License Plate

0xnuのモデルはYOLOv12nベースで、10.5MBのONNXを配布している。説明では欧州のナンバープレートに対応し、検出後の読み取りにはEasyOCRを組み合わせる。

Hugging Faceのライセンス欄にはMITと表示されている。同梱のLICENSEの表記は Modified MIT License。通常のMITに追加条項が付いた独自のライセンスで、ベースモデル側の条件は未確認。

米国：Autolane YOLOX-S

Autolane YOLOX-Sは約2万枚の米国ナンバープレート画像でファインチューニングされた単一クラス検出モデル。ONNX 35.8MBのほか、9.32MBの量子化TFLite版を配布している。

対象地域を特定できなかったモデル

RT-DETRv2 R18とYOLOX-tiny

Topurrra RT-DETRv2 R18は PekingU/rtdetr_v2_r18vd を基に、Open Images V7の Vehicle registration plate クラスで追加学習したONNXモデル。モデルカードではベースモデル、学習データ、ライセンスの出所が説明されている。容量は80.7MB。

Open LPRには20.2MBのYOLOX-tiny検出モデルがあり、文字認識には別のPP-OCRv5モデルを組み合わせる。検出用と文字認識用の重みが分かれている。

両モデルとも、公開情報から学習対象の国・地域を特定できなかった。

YOLOv9とYOLO11のサイズ違い

Open Image ModelsはYOLOv9-tinyの入力解像度違いを複数公開している。第三者ミラーで確認できる384・512・640版のONNXは約7.8MBだった。入力解像度が大きくなっても、同じパラメータ構成なら重み容量はほとんど変わらない。推論時の計算量や小さなプレートの見つけやすさには違いが出る。

一方、YOLO11はモデル規模そのものが異なるため、ファイルサイズの幅が大きい。Morsetechlabの公開ファイルでは次のようになっている。

YOLO11版ONNX容量PyTorch重み
Nano（n）10.5MB5.47MB
Small（s）37.8MB19.2MB
Medium（m）80.3MB40.5MB
Large（l）101MB51.2MB
Extra Large（x）228MB114MB

同じモデルでもONNXとPyTorchでファイルサイズが異なる。モデル規模や量子化の有無も転送量に影響する。

モデルのライセンスと重みの扱い

モデルの利用条件は、推論コード、配布された重み、ベースモデル、学習データをそれぞれ確認する。

対象確認する内容
推論コード・ライブラリMIT、Apache-2.0、GPLなどの配布条件
学習済み重み重みそのもののライセンス、配布元、著作権表示
ベースモデル派生元の実装と重みに付く条件
学習画像・アノテーションデータセットの再利用条件、帰属表示、権利上の留意点
実装時の依存関係ONNX Runtimeなど実際に組み込むソフトウェアの条件

YOLOv9：重みのライセンスを巡る公開Issue

Open Image ModelsのライブラリはMITライセンスで、ベースとなるYOLOv9本家はGPL-3.0で公開されている。

2025年12月のIssue #14では、利用者から「重みもMITか、それともGPLなのか」という質問が出た。作者は約1万1,000枚の画像を主に公開データセットやWebから集めたと説明し、GPLが重みに適用されるかは分からないと回答している。

このやり取りから、ライブラリと学習済み重みのライセンスを別々に確認する必要性が見える。

Ultralytics系と独自条件付きMIT

YOLO11・YOLO26などUltralytics系の派生モデルにはAGPL-3.0やEnterprise Licenseの条件がある。AGPL-3.0は商用利用も認めており、配布やネットワーク経由の提供形態などに応じて遵守事項が生じる。

0xnuのLICENSEにはMITの標準条項に加えて独自の条件が含まれる。実際の利用条件は、配布されたLICENSEと派生元の利用規約を合わせて読む必要がある。

学習データの利用条件

TopurrraのモデルカードはOpen Images V7の画像がCC BY 2.0、アノテーションがCC BY 4.0と説明している。Open LPRもLICENSEに加えてNOTICEを公開している。

学習データの再利用条件と、学習済み重みの配布ライセンスは、それぞれ確認が必要になる。

Topurrra/rtdetr-license-plate-detection-onnx · Hugging Face

Object Detection model, built with Transformers. Download, explore files and run it on Hugging Face.

https://huggingface.co/Topurrra/rtdetr-license-plate-detection-onnx

huggingface.co

国別の小型モデルを選んでダウンロードする方式

今回の比較では中国向けに約1MBの検出モデルが確認できた。仮に各国に同程度の小型モデルが用意されれば、利用者が撮影国・地域を選び、必要な重みだけを取得する方式も考えられる。

構成モデルの取得方法特徴
共通モデル1つすべての画像で同一モデルを使うモデル管理が単純。各地域の精度は個別評価が必要
地域別モデル利用者が国・地域を選択し、そのモデルだけ取得地域ごとの特化が可能。モデル間の品質とライセンス管理が増える
共通＋地域別広域モデルを用意し、必要に応じて地域モデルへ切り替える対象地域が多い場合の設計候補。初回取得量と運用が複雑化
複数モデル併用同じ画像を複数モデルで検出する地域指定が不要な代わりに計算量と結果統合が増える

実際の配布サイズは地域ごとに差がある。中国向けYuNetは1.09MB、欧州向け0xnuは10.5MB、米国向けYOLOX-Sは35.8MB（いずれもONNXの代表例）。

複数国のナンバープレートが写る画像もある。地域別モデルを選択する仕組みでは、プレートの登録国が撮影国と異なる場合や、地域が分からない場合の処理も考えておきたい。

地域別の文字認識モデルの例にはFast Plate OCRがある。アルゼンチン向け、欧州向け、広域向けなどを公開している。検出とOCRを別工程にすれば、それぞれのモデルを独立して選択できる。

実際のサービス・プロジェクトでの利用例

採用モデル名を公表しているサービスやオープンソースプロジェクトもある。

サービス・プロジェクト公表しているモデル用途と公開範囲
AnonymizeVideo.appMorsetechlab YOLO11動画のプレートぼかし。ブラウザ内推論と説明
YourDeviceOpen Image Models YOLOv9-t-640写真などのプレート検出。モデルの出所とブラウザ実行を説明
FastALPROpen Image Models系の検出モデル検出とOCRを組み合わせたオープンソース実装
Open LPRYOLOX-tiny検出とPP-OCRv5を組み合わせる実装
CamStackOpen LPR由来のYOLOX-tiny第三者モデルの出所を文書化

Google Street ViewやMapillaryも顔やプレートの自動ぼかし機能を提供している。現在使用されている検出モデルの名称は公開されていない。Googleについては、初期の検出システムの構成を2009年の研究論文で確認できる。

世界各国のナンバープレートを検出するなら

公開モデルを比較した結果、まず広域検出用のモデルを基準にし、検出漏れが多い地域を特化モデルで補完する構成が現実的だと考える。国別モデルをすべて実行する方法より、検出対象に合わせてモデルを増やす方が処理量やライセンス管理を抑えやすい。

ただし、今回の各モデルの公開評価はデータセットや検出条件が異なる。同じ画像を使った地域別の比較結果がないため、現時点で特定の組み合わせを精度最優秀とは評価できない。以下は、公開済みのモデルを起点に実装する場合の構成案だ。

ブラウザで処理する場合

最初に検証したいのは、共通モデルとして約20.2MBのOpen LPR YOLOX-tinyを読み込み、必要な地域のモデルだけ追加取得する方法だ。例えば中国向けには1.09MBのYuNetを選択肢にできる。

処理使用モデルの候補配布容量
共通の検出Open LPR YOLOX-tinyONNX 20.2MB
中国向けの追加検出OpenCV YuNet INT8ONNX 1.09MB
米国向けの追加検出Autolane YOLOX-SONNX 35.8MB
欧州向けの追加検出0xnu EuropeanONNX 10.5MB

表の地域別モデルは実装候補であり、配布ライセンスの確認状況も異なる。とくに0xnuの派生元の条件には調査が残っている。

追加モデルは選択した地域の画像に対して共通モデルと併用し、検出枠の重複を統合する。共通モデルで何も見つからなかった場合だけ追加処理する方式では、検出されたプレートと見逃されたプレートが同じ写真に混在する可能性がある。

ブラウザでは初回ダウンロード量、メモリ使用量、端末ごとの推論速度が重要になる。80.7MBのRT-DETRv2 R18も比較対象になるが、ファイルサイズと検出精度は別々に評価する必要がある。

サーバー側で大量の画像を処理する場合

Street Viewのように画像をサーバー側でまとめて処理する構成なら、モデルを利用者ごとにダウンロードさせる必要がなくなる。80.7MBのRT-DETRv2 R18も、20.2MBのYOLOX-tinyと同じ土俵で検証できる。

初期構成として考えられるのは、次の処理だ。

  1. 広域検出：RT-DETRv2 R18とYOLOX-tinyを同一の評価画像で比較する。見逃しの傾向が異なる場合は、両モデルの候補領域を統合する。
  2. 地域別の補完：国・地域ごとに検出漏れを測定し、中国向けYuNetなどの特化モデルを必要な地域に組み込む。撮影場所は補完モデルを選ぶ参考情報として使う。
  3. 高解像度画像への対応：遠方の小さなプレートには、原画像の分割推論や複数解像度の推論を検討する。
  4. 後処理：検出枠の重複をまとめ、車両との位置関係などを用いて誤検出を確認する。モザイク処理では枠を適度に広げ、プレートの端まで隠す。
  5. 公開後の修正：検出漏れを修正できる仕組みを用意し、実際の画像を使って地域・撮影条件別に改善する。

このうち、モデルの併用と地域別の補完は検証結果に応じて採用を決める部分だ。大型モデルを使うこと自体は、世界各国への対応精度を保証する材料にはならない。

モデル容量の重要性も変わる。ブラウザでは配布サイズが利用者の通信量に直結するが、サーバーではモデルを一度配置して使い回せる。一方、大きなモデルはGPUメモリ、同時実行数、推論時間、運用コストに影響する。大量の画像を処理するサービスでは、1枚あたりの処理コストと検出漏れの少なさがより重要になる。

Google Street Viewにも地域別検出の実例がある

Googleが2009年の論文「Large-scale Privacy Protection in Google Street View」で公開したシステムでは、米国と欧州のプレートの縦横比や文字の特徴に合わせて、別々の検出器を学習していた。検出段階では再現率を優先し、車両の位置などを使った後処理で誤検出を減らす構成を採用している。

論文で報告されたナンバープレートのぼかし成功率は、Street Viewの評価画像に対して94～96%。これは2009年当時のシステムについての結果だ。

Large-scale Privacy Protection in Google Street View

https://research.google/pubs/large-scale-privacy-protection-in-google-street-view/

research.google

また、Google Street ViewやMapillaryは自動ぼかしとともに、利用者が検出漏れを報告・修正できる仕組みも提供している。大規模なプライバシー保護では、検出モデルの選定に加えて、公開後の修正まで含めた運用設計が参考になる。

世界規模の学習・評価データとしては、Global License Plate Dataset（GLPD）もある。論文では74か国、500万枚以上の画像を収録すると説明されている。地域横断の比較や追加学習を検討するときの資料になるが、実際に使う際はデータの入手方法と利用条件の確認が必要だ。

まとめ

ブラウザ向けなら共通の軽量検出モデル＋必要な地域モデルの追加取得、サーバー向けなら広域検出＋地域別補完＋後処理という方向が考えられる。

具体的には、ブラウザでは20.2MBのOpen LPR YOLOX-tinyを出発点に、国別モデルを任意で追加する構成。サーバーではRT-DETRv2 R18とYOLOX-tinyを地域別の評価画像で比較し、検出漏れが多い地域を特化モデルで補完する構成を試したい。

モデルの容量だけで世界対応を判断することはできない。精度を左右するのは、学習に使われたプレートの種類、画像の解像度、撮影条件、検出枠の後処理なども含めた全体の構成だ。ライセンスも重みとベースモデルまで追跡する必要がある。

容量・ライセンス・対象地域は2026年10月28日時点の公開情報に基づいている。