项目介绍

本项目基于CNN+BLSTM+CTC实现验证码识别。 本项目仅用于模型部署，若需训练模型，请前往 https://github.com/kerlomz/captcha_trainer。

注意事项

1. 默认的 requirements.txt 会安装 CPU 版本。将 "requirements.txt" 中的 "TensorFlow" 改为 "TensorFlow-GPU" 即可切换到 GPU 版本，并确保已正确安装对应的 CUDA 和 cuDNN。
2. demo.py：展示了如何调用预测方法的示例。
3. model 文件夹用于存放模型配置文件，如 model.yaml。
4. graph 文件夹用于存放编译后的模型文件，如 model.pb。
5. 部署服务会自动加载模型配置中的所有模型。当新增模型配置时，graph 文件夹中对应的编译模型也会被自动加载。因此，若需添加新模型，请先将相应的编译模型复制到 graph 路径下，再添加模型配置。

启动

1. 安装 Python 3.9 环境（包含 pip）。
2. 安装 virtualenv：pip3 install virtualenv
3. 为项目创建独立的虚拟环境：

   virtualenv -p /usr/bin/python3 venv # venv 是虚拟环境的名称。
   cd venv/ # venv 是虚拟环境的名称。
   source bin/activate # 激活当前虚拟环境。
   cd captcha_platform # captcha_platform 是项目路径。
   

4. pip install -r requirements.txt
5. 将您训练好的 model.yaml 放入 model 文件夹，将 model.pb 放入 graph 文件夹（如不存在则需创建）。
6. 按照以下方式部署。

1. HTTP 版本

1. Linux 部署（Linux/Mac）：

   端口：19952

   python tornado_server.py
   

2. Windows 部署（Windows）：

   python xxx_server.py
   

3. 请求

   请求 URI	内容类型	负载类型	方法
   http://localhost:[绑定端口]/captcha/v1	application/json	JSON	POST

   参数	必填	类型	描述
   image	是	字符串	Base64 编码的二进制流
   model_name	否	字符串	模型名称，可在 yaml 配置中绑定

   请求格式为 JSON，例如：{"image": "base64 编码的图像二进制流"}

4. 响应

   参数名称	类型	描述
   message	字符串	识别结果或错误信息
   code	字符串	状态码
   success	字符串	请求是否成功

   返回格式为 JSON，例如：{"message": "xxxx", "code": 0, "success": true}

2. gRPC 版本

部署：

python3 grpc_server.py

端口：50054

更新 gRPC 代码

python -m grpc_tools.protoc -I. --python_out=. --grpc_python_out=. ./grpc.proto

目录结构

- captcha_platform
    - grpc_server.py
    - flask_server.py
    - tornado_server.py
    - sanic_server.py
    - demo.py
    - config.yaml
- model
    - model-1.yaml
    - model-2.yaml
    - ...
- graph
    - Model-1.pb
    - ...

模型管理

1. 加载模型

• 将训练好的 pb 模型放入 graph 文件夹。
• 将训练好的 yaml 模型配置文件放入 model 文件夹。

2. 卸载模型

• 删除 model 文件夹中对应的 yaml 配置文件。
• 删除 graph 文件夹中对应的 pb 模型文件。

3. 更新模型

• 将训练好的 pb 模型放入 graph 文件夹。
• 将版本号高于当前版本的 yaml 配置文件放入 model 文件夹。
• 删除旧的模型和配置。

许可证

本项目采用 SATA 许可证（Star And Thank Author License），使用前请务必给本项目点个赞。请仔细阅读许可证内容。

介绍

https://www.jianshu.com/p/80ef04b16efc

捐赠

非常感谢您对我的项目的支持。

captcha_platform 快速上手指南

captcha_platform 是一个基于 CNN+BLSTM+CTC 架构的验证码识别部署平台。本项目专注于模型推理与服务部署，训练过程请使用配套的 captcha_trainer 项目。

环境准备

• 操作系统：Linux / macOS / Windows
• Python 版本：Python 3.9
• 硬件要求：
  • CPU 版本：无特殊要求。
  • GPU 版本：需安装对应的 CUDA 和 cuDNN，并将 requirements.txt 中的 TensorFlow 修改为 TensorFlow-GPU。
• 前置工具：pip, virtualenv

安装步骤

1. 安装虚拟环境工具

   pip3 install virtualenv
   

2. 创建并激活虚拟环境

   # 创建名为 venv 的虚拟环境
   virtualenv -p /usr/bin/python3 venv
   
   # 进入目录并激活环境 (Linux/Mac)
   cd venv/
   source bin/activate
   
   # 进入项目根目录
   cd captcha_platform
   

   Windows 用户注意：激活命令为 Scripts\activate。

3. 安装依赖

   # 推荐使用国内镜像源加速安装
   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

4. 部署模型文件 将训练好的模型文件放入对应目录（若目录不存在请手动创建）：

   • 配置文件：将 model.yaml 放入 model 文件夹。
   • 编译模型：将 model.pb 放入 graph 文件夹。

   注意：服务启动时会自动加载 model 文件夹中的配置及其对应的 graph 文件夹中的模型文件。新增模型时，请先复制 .pb 文件，再添加 .yaml 配置。

基本使用

1. 启动服务

选择以下任一方式启动服务：

• HTTP 版本 (推荐)

  • Linux/Mac:

    python tornado_server.py
    

  • Windows:

    python xxx_server.py
    

  • 默认端口：19952

• gRPC 版本

  python3 grpc_server.py
  

  • 默认端口：50054

2. 调用示例 (HTTP)

服务启动后，通过 POST 请求发送 Base64 编码的图片进行识别。

• 请求地址：http://localhost:19952/captcha/v1
• 请求方法：POST
• Content-Type：application/json

请求 Payload 示例：

{
    "image": "base64 编码的图片二进制流",
    "model_name": "可选，指定 yaml 中配置的模型名称"
}

响应示例：

{
    "message": "识别结果或错误信息",
    "code": "0",
    "success": true
}

3. 代码调用示例 (demo.py)

项目提供了 demo.py 作为调用预测方法的参考脚本，可直接运行查看效果：

python demo.py

模型管理简述

• 加载模型：将 .pb 放入 graph，.yaml 放入 model，服务自动热加载。
• 卸载模型：删除 model 中对应的 .yaml 和 graph 中对应的 .pb。
• 更新模型：放入新版 .pb 和版本号更高的 .yaml，并清理旧文件。