Leo-Lee15/Chinese_Captcha_Recognizition

本项目会自己训练OCR模型，来模型汉字验证码，包含1-n个汉字的验证码。

本项目主要使用CnOCR来训练自己的OCR模型，用于汉字验证码破解。

验证码介绍

三汉字验证码

1. 生成验证码，使用脚本生成，参考src/preprocess/gen_captcha_v1.py文件，完整数据参考data/corpus文件夹
2. 验证码样本如下：

三汉字验证码共标注9033个样本，按训练集与验证集8:2划分，其中训练集样本7162个，验证集样本1827个。

四汉字验证码

1. 生成验证码，使用脚本生成，参考src/preprocess/gen_captcha_v2.py文件，完整数据参考data/4char_corpus文件夹
2. 验证码样本如下：

四汉字验证码共标注2047个样本，按训练集与验证集8:2划分，其中训练集样本1646个，验证集样本399个。

破解思路

1. 利用Label Studio标注平台或者自己写的标注平台来人工标注验证码
2. 保证标注的数据集的数量与质量，一般汉字验证码需要几千个以上的标注样本
3. 使用CnOCR来训练自己的OCR模型
4. 使用训练好的模型来识别验证码

模型训练

使用CnOCR工具包来训练自己的OCR模型，主要步骤如下：

1. 对图片进行标注，形成标注数据，标注平台可以使用Label Studio或者自己写的标注平台（参考src/image_tagging目录）
2. 使用src/prepocess/get_train_val_data.py得到训练数据train.tsv与验证数据dev.tsv
3. 模型训练命令:

cnocr train -m densenet_lite_136-gru --index-dir data/4char_captcha --train-config-fp docs/examples/train_config_gpu.json

模型效果验证

导出onnx模型，命令如下：

cnocr export-onnx -m densenet_lite_136-gru -v /workspace/code/CnOCR/data/4char_captcha/label.txt -i /workspace/code/CnOCR/runs/CnOCR-Rec/pgyahgqm/checkpoints/cnocr-v2.3-densenet_lite_136-gru-epoch=093-val-complete_match-epoch=0.9148.ckpt -o /workspace/code/CnOCR/runs/CnOCR-Rec/pgyahgqm/checkpoints/ch_captcha.onnx

模型评估，命令如下：

cnocr evaluate -p /workspace/code/CnOCR/runs/CnOCR-Rec/pgyahgqm/checkpoints/ch_captcha.onnx -v /workspace/code/CnOCR/data/4char_captcha/label.txt -i ./data/4char_captcha/dev.tsv --image-folder ./data/4char_captcha/4char_corpus

验证码类型	验证码数量	正确率	cer
三汉字	1827	91.24%	0.032
四汉字	399	88.72%	0.031

可视化: OCR识别页面

功能：实现验证码图片的上传与OCR识别

参考网站

1. CnOCR脚本工具: https://cnocr.readthedocs.io/zh-cn/stable/command/
2. OCR入门（一）OCR模型训练实战：破解汉字验证码: https://zhuanlan.zhihu.com/p/2845583696