深度学习识别验证码

本项目致力于使用神经网络来识别各种验证码。

特性

• 端到端，不需要做更多的图片预处理（比如图片字符切割、图片尺寸归一化、图片字符标记、字符图片特征提取）
• 验证码包括数字、大写字母、小写
• 采用自己生成的验证码来作为神经网络的训练集合、测试集合、预测集合
• 纯四位数字，验证码识别率高达 99.9999 %
• 四位数字 + 大写字符，验证码识别率约 96 %
• 深度学习框架pytorch + 验证码生成器ImageCaptcha

原理

• 训练集合生成

  使用常用的 Python 验证码生成库 ImageCaptcha，生成 10w 个验证码，并且都自动标记好; 如果需要识别其他的验证码也同样的道理，寻找对应的验证码生成算法自动生成已经标记好的训练集合或者手动对标记，需要上万级别的数量，纯手工需要一定的时间，再或者可以借助一些网络的打码平台进行标记

• 训练卷积神经网络 构建一个多层的卷积网络，进行多标签分类模型的训练 标记的每个字符都做 one-hot 编码 批量输入图片集合和标记数据，大概15个Epoch后，准确率已经达到 96% 以上

验证码识别率展示

快速开始

• 步骤一：10分钟环境安装

  Python2.7+ 、ImageCaptcha库(pip install captcha)、 Pytorch(参考官网http://pytorch.org)

• 步骤二：生成验证码

  python captcha_gen.py
  

  把执行以上命令，会在目录 dataset/train/ 下生成多张验证码图片，图片已经标注好，数量可以是 1w、5w、10w，通过 captcha-gen.py 内的 count 参数设定

• 步骤三：训练模型

  python captcha_train.py
  

  使用步骤一生成的验证码图集合用CNN模型（在 catcha_cnn_model 中定义）进行训练，训练完成会生成文件 model.pkl

• 步骤四：测试模型

  python captcha_test.py
  

  可以在控制台，看到模型的准确率（如 95%） ，如果准确率较低，回到步骤一，生成更多的图片集合再次训练

• 步骤五：使用模型做预测

  python captcha_predict.py
  

  可以在控制台，看到预测输出的结果

贡献

我们期待你的 pull requests !

作者

• Dee Qiu coolcooldee@gmail.com

其它

• Github项目交流QQ群 570997546

声明

本项目仅用于交流学习

pytorch-captcha-recognition 快速上手指南

本项目基于 PyTorch 深度学习框架，利用卷积神经网络（CNN）实现端到端的验证码识别。无需进行字符切割、尺寸归一化等繁琐的预处理步骤，即可高效识别包含数字及大小写字母的验证码。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux / macOS / Windows
• Python 版本：Python 2.7+ 或 Python 3.x
• 核心依赖：
  • PyTorch：深度学习框架
  • captcha (ImageCaptcha)：验证码生成库

国内加速建议：安装 PyTorch 时，推荐使用清华或中科大镜像源以提升下载速度。 例如：pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple

安装步骤

1. 安装依赖库 使用 pip 安装必要的 Python 包：

   pip install captcha
   pip install torch torchvision
   

   (注：若需 GPU 加速，请根据官网指引安装对应版本的 torch)

2. 获取项目代码 克隆项目仓库到本地：

   git clone https://github.com/dee1024/pytorch-captcha-recognition.git
   cd pytorch-captcha-recognition
   

基本使用

遵循以下五个步骤，即可完成从数据生成到模型预测的全流程。

1. 生成训练数据集

执行以下命令生成带有自动标注的验证码图片。默认会在 dataset/train/ 目录下生成图片。

• 可通过修改 captcha_gen.py 中的 count 参数调整生成数量（建议 1w~10w 张以获得更高准确率）。

python captcha_gen.py

2. 训练模型

使用生成的数据集训练卷积神经网络（CNN）。训练完成后将生成模型文件 model.pkl。

• 通常经过约 15 个 Epoch，识别率可达 96% 以上。

python captcha_train.py

3. 测试模型

运行测试脚本，在控制台查看当前模型的识别准确率。

• 如果准确率未达预期，请返回第 1 步生成更多数据并重新训练。

python captcha_test.py

4. 进行预测

加载训练好的模型对新的验证码进行识别，结果将直接输出到控制台。

python captcha_predict.py

---

声明：本项目仅用于学习与交流目的。