[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dee1024--pytorch-captcha-recognition":3,"tool-dee1024--pytorch-captcha-recognition":61},[4,18,28,37,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":79,"view_count":24,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":116},10125,"dee1024\u002Fpytorch-captcha-recognition","pytorch-captcha-recognition","基于CNN训练的一套 \"端到端\" 的验证码识别模型，使用深度学习+训练数据+大量计算力，纯数字识别率高达 99.99%，数字+字母识别率 96%","pytorch-captcha-recognition 是一款基于 PyTorch 深度学习框架开发的开源项目，旨在通过卷积神经网络（CNN）实现验证码的自动化识别。它主要解决了传统验证码识别流程繁琐的痛点，无需人工进行图片切割、尺寸归一化或特征提取等复杂的预处理工作，真正实现了“端到端”的高效识别方案。\n\n该工具支持识别包含纯数字、大写字母及小写字母的组合验证码。其核心亮点在于利用 ImageCaptcha 库自动生成海量带标签的训练数据，结合多层卷积网络进行多标签分类训练。实测数据显示，对于四位纯数字验证码，其识别率可高达 99.99% 以上；即便是数字与字母混合的复杂场景，识别率也能稳定在 96% 左右。\n\npytorch-captcha-recognition 非常适合 AI 开发者、深度学习研究人员以及对计算机视觉感兴趣的技术爱好者使用。无论是希望快速搭建验证码识别原型的工程师，还是想要研究 CNN 在多标签分类任务中应用的学生，都能通过该项目提供的完整流程（从数据生成、模型训练到预测测试）获得宝贵的实践经验。项目代码结构清晰，配套文档详尽，仅需少量计算资源即可复现高精度的识","pytorch-captcha-recognition 是一款基于 PyTorch 深度学习框架开发的开源项目，旨在通过卷积神经网络（CNN）实现验证码的自动化识别。它主要解决了传统验证码识别流程繁琐的痛点，无需人工进行图片切割、尺寸归一化或特征提取等复杂的预处理工作，真正实现了“端到端”的高效识别方案。\n\n该工具支持识别包含纯数字、大写字母及小写字母的组合验证码。其核心亮点在于利用 ImageCaptcha 库自动生成海量带标签的训练数据，结合多层卷积网络进行多标签分类训练。实测数据显示，对于四位纯数字验证码，其识别率可高达 99.99% 以上；即便是数字与字母混合的复杂场景，识别率也能稳定在 96% 左右。\n\npytorch-captcha-recognition 非常适合 AI 开发者、深度学习研究人员以及对计算机视觉感兴趣的技术爱好者使用。无论是希望快速搭建验证码识别原型的工程师，还是想要研究 CNN 在多标签分类任务中应用的学生，都能通过该项目提供的完整流程（从数据生成、模型训练到预测测试）获得宝贵的实践经验。项目代码结构清晰，配套文档详尽，仅需少量计算资源即可复现高精度的识别效果，是学习与实践深度学习技术的优秀范例。","深度学习识别验证码\n=========\n\n本项目致力于使用神经网络来识别各种验证码。\n\n特性\n===\n- __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）__\n- __验证码包括数字、大写字母、小写__\n- __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__\n- __纯四位数字，验证码识别率高达 99.9999 %__\n- __四位数字 + 大写字符，验证码识别率约 96 %__\n- __深度学习框架pytorch + 验证码生成器ImageCaptcha__\n\n\n原理\n===\n\n- __训练集合生成__\n\n    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;\n    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\n\n- __训练卷积神经网络__\n    构建一个多层的卷积网络，进行多标签分类模型的训练\n    标记的每个字符都做 one-hot 编码\n    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\n\n\n验证码识别率展示\n========\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdee1024_pytorch-captcha-recognition_readme_9f194eebae7d.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdee1024_pytorch-captcha-recognition_readme_6769452e8d9f.png)\n\n\n快速开始\n====\n- __步骤一：10分钟环境安装__\n\n    Python2.7+ 、ImageCaptcha库(pip install captcha)、 Pytorch(参考官网http:\u002F\u002Fpytorch.org)\n\n\n- __步骤二：生成验证码__\n    ```bash\n    python captcha_gen.py\n    ```\n    执行以上命令，会在目录 dataset\u002Ftrain\u002F 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\n    \n- __步骤三：训练模型__\n    ```bash\n    python captcha_train.py\n    ```\n    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\n\n- __步骤四：测试模型__\n    ```bash\n    python captcha_test.py\n    ```\n    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\n\n- __步骤五：使用模型做预测__\n    ```bash\n    python captcha_predict.py\n    ```\n    可以在控制台，看到预测输出的结果\n    \n贡献\n===\n我们期待你的 pull requests !\n\n作者\n===\n* __Dee Qiu__ \u003Ccoolcooldee@gmail.com>\n\n其它\n===\n* __Github项目交流QQ群__ 570997546\n\n\n声明\n===\n本项目仅用于交流学习","深度学习识别验证码\n=========\n\n本项目致力于使用神经网络来识别各种验证码。\n\n特性\n===\n- __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）__\n- __验证码包括数字、大写字母、小写__\n- __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__\n- __纯四位数字，验证码识别率高达 99.9999 %__\n- __四位数字 + 大写字符，验证码识别率约 96 %__\n- __深度学习框架pytorch + 验证码生成器ImageCaptcha__\n\n\n原理\n===\n\n- __训练集合生成__\n\n    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;\n    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\n\n- __训练卷积神经网络__\n    构建一个多层的卷积网络，进行多标签分类模型的训练\n    标记的每个字符都做 one-hot 编码\n    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\n\n\n验证码识别率展示\n========\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdee1024_pytorch-captcha-recognition_readme_9f194eebae7d.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdee1024_pytorch-captcha-recognition_readme_6769452e8d9f.png)\n\n\n快速开始\n====\n- __步骤一：10分钟环境安装__\n\n    Python2.7+ 、ImageCaptcha库(pip install captcha)、 Pytorch(参考官网http:\u002F\u002Fpytorch.org)\n\n\n- __步骤二：生成验证码__\n    ```bash\n    python captcha_gen.py\n    ```\n    把执行以上命令，会在目录 dataset\u002Ftrain\u002F 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\n    \n- __步骤三：训练模型__\n    ```bash\n    python captcha_train.py\n    ```\n    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\n\n- __步骤四：测试模型__\n    ```bash\n    python captcha_test.py\n    ```\n    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\n\n- __步骤五：使用模型做预测__\n    ```bash\n    python captcha_predict.py\n    ```\n    可以在控制台，看到预测输出的结果\n    \n贡献\n===\n我们期待你的 pull requests !\n\n作者\n===\n* __Dee Qiu__ \u003Ccoolcooldee@gmail.com>\n\n其它\n===\n* __Github项目交流QQ群__ 570997546\n\n\n声明\n===\n本项目仅用于交流学习","# pytorch-captcha-recognition 快速上手指南\n\n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。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 2.7+ 或 Python 3.x\n*   **核心依赖**：\n    *   `PyTorch`：深度学习框架\n    *   `captcha` (ImageCaptcha)：验证码生成库\n\n> **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。\n> 例如：`pip install torch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **安装依赖库**\n    使用 pip 安装必要的 Python 包：\n    ```bash\n    pip install captcha\n    pip install torch torchvision\n    ```\n    *(注：若需 GPU 加速，请根据官网指引安装对应版本的 torch)*\n\n2.  **获取项目代码**\n    克隆项目仓库到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fdee1024\u002Fpytorch-captcha-recognition.git\n    cd pytorch-captcha-recognition\n    ```\n\n## 基本使用\n\n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。\n\n### 1. 生成训练数据集\n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\u002Ftrain\u002F` 目录下生成图片。\n*   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）。\n\n```bash\npython captcha_gen.py\n```\n\n### 2. 训练模型\n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`。\n*   通常经过约 15 个 Epoch，识别率可达 96% 以上。\n\n```bash\npython captcha_train.py\n```\n\n### 3. 测试模型\n运行测试脚本，在控制台查看当前模型的识别准确率。\n*   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。\n\n```bash\npython captcha_test.py\n```\n\n### 4. 进行预测\n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。\n\n```bash\npython captcha_predict.py\n```\n\n---\n*声明：本项目仅用于学习与交流目的。*","某电商风控团队需要每日处理数万条注册请求，其中包含大量需人工审核的数字与字母混合验证码，严重拖慢了反欺诈流程的效率。\n\n### 没有 pytorch-captcha-recognition 时\n- **预处理繁琐**：传统方案需先对验证码图片进行切割、去噪、尺寸归一化等复杂手工预处理，代码量大且容易因验证码样式微调而失效。\n- **识别率低且不稳定**：基于规则或传统 OCR 的方法在面对干扰线、粘连字符时，数字加字母的综合识别率往往不足 80%，导致大量误判。\n- **标注成本高昂**：训练数据依赖人工逐张标记，构建万级数据集耗时数周，且难以快速适应新的验证码生成策略。\n- **维护困难**：一旦网站更新验证码算法，整个识别流水线需重新开发特征提取逻辑，响应周期长达数天。\n\n### 使用 pytorch-captcha-recognition 后\n- **端到端自动化**：直接输入原始图片即可输出结果，无需任何字符切割或特征工程，利用 CNN 模型自动学习图像特征，大幅简化代码架构。\n- **高精度识别**：纯数字场景识别率高达 99.99%，即便在复杂的“数字 + 大写字母”混合场景下，准确率也能稳定在 96% 以上，基本替代人工审核。\n- **数据自给自足**：内置 ImageCaptcha 生成器，可一键自动生成带标签的十万级训练集，将数据准备时间从数周缩短至几分钟。\n- **快速迭代适配**：面对新验证码样式，只需重新运行脚本生成新数据并训练约 15 个 Epoch，半天内即可完成模型更新与部署。\n\npytorch-captcha-recognition 通过深度学习实现了验证码识别的“端到端”自动化，将原本耗时耗力的人工审核环节转变为高效、精准的无人值守流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdee1024_pytorch-captcha-recognition_9f194eeb.png","dee1024","Dee1024","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdee1024_01e751fe.png","┈╭━━━━━━━━━━━╮┈ \r\n┈┃╭━━━╮┊╭━━━╮┃┈ ┈ ┈\r\n╭┫┃┈👻┈┃┃┈👻┈┃┣╮ \r\n┃┃╰━━━╯┊╰━━━╯┃┃ \r\n╰┫╭━╮╰━━━╯╭━╮┣╯ \r\n┈┃┃┣┳┳┳┳┳┳┳┫┃┃┈ \r\n┈┃┃╰┻┻┻┻┻┻┻╯┃┃┈ \r\n┈╰━━━━━━━━━━━╯┈","vivo","SZ",null,"https:\u002F\u002Fgithub.com\u002Fdee1024",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1208,325,"2026-04-17T09:45:23","Apache-2.0","未说明",{"notes":92,"python":93,"dependencies":94},"项目明确支持 Python 2.7+ 版本。训练数据需通过脚本自动生成（默认生成 10 万张），也可手动标记或使用打码平台。模型训练约需 15 个 Epoch 即可达到较高准确率。本项目仅用于交流学习。","2.7+",[95,96],"torch","captcha (ImageCaptcha)",[15],"2026-03-27T02:49:30.150509","2026-04-20T19:32:29.697300",[101,106,111],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},45454,"为什么训练时每个 epoch 只处理 30 张图片（step: 3），如何修改批次大小？","这是因为默认配置中的 batch_size 较小。请打开 my_dataset.py 文件，找到 get_train_data_loader() 方法，将该方法内的 batch_size 参数修改为你想要的数值即可增加每次训练的图片数量。","https:\u002F\u002Fgithub.com\u002Fdee1024\u002Fpytorch-captcha-recognition\u002Fissues\u002F17",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},45455,"使用脚本生成图片并训练后，模型测试成功率为什么是 0？需要训练多久才能达到高准确率？","根据社区反馈，该项目可能存在收敛困难或配置敏感的问题。有用户表示在遇到成功率为 0 的情况后，最终选择放弃了该项目并转向其他验证码识别方案。建议检查数据集质量、学习率设置，或者考虑更换更稳定的识别项目。","https:\u002F\u002Fgithub.com\u002Fdee1024\u002Fpytorch-captcha-recognition\u002Fissues\u002F27",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},45456,"如何对单张图片进行预测（部署场景）？直接使用 Image.open 读取图片时报维度不匹配错误怎么办？","直接使用 PIL 打开的图片缺少 Batch 维度且可能未正确转换为 Tensor。你需要确保图片经过与训练时相同的 transform 处理，并使用 unsqueeze(0) 添加批次维度。代码逻辑应调整为：先 resize 图片，应用 transform 转为 Tensor，然后执行 image = image.unsqueeze(0) 使其变为 (1, C, H, W) 格式，最后再传入模型进行 cuda() 操作和预测。","https:\u002F\u002Fgithub.com\u002Fdee1024\u002Fpytorch-captcha-recognition\u002Fissues\u002F16",[]]