熊猫不定长验证码识别

本自述文件会自述以下内容

1.项目环境安装与启动

    1.1 GPU环境安装
    1.2 运行项目

2.项目结构描述

    2.1项目结构描述

3.识别验证码的思路

4.遇到的错误和解决方法

注意任何时候你都应该备份你的数据集，数据集来之不易

注意任何时候你都应该备份你的数据集，数据集来之不易

注意任何时候你都应该备份你的数据集，数据集来之不易

本人使用的环境为: CPU:lntel(R)Core(TM)i7-7700HQ [email protected]

GPU:NVDIA GeForce GTX 1060

不建议使用cpu训练一轮训练要24小时以上(20万数据集)

1.项目环境安装与启动

1.1 GPU环境安装

tennsorflow2.1无法使用CTC

本项目在tensorflow2.2或2.3下面都可以运行

但是两种的安装方法都有区别下面详细说一下(windowns环境):

拉取项目

git clone https://gitclone.com/github.com/yuzhiyizhan/Bearcat_captcha

git clone https://github.com/yuzhiyizhan/Bearcat_captcha

CPU的直接命令行

pip install tensorflow==2.2 -i https://pypi.douban.com

然后

pip install -r requirements.txt -i https://pypi.douban.com/simple

tensorflow2.2
1.安装CUDA 11版本 (官网)[https://developer.nvidia.com/cuda-toolkit]
2.由于CUDA会自动配好环境本项目不在详述 在命令行输入 nvcc -V 查看CUDA版本
3.安装conda (推荐在清华镜像站下载Anaconda或者Miniconda都可以)
4.更新一下conda (conda update -n base conda)
5.创建python3.7.7的虚拟环境并进入 (conda create -n example python=3.7.7) (conda activate example)
6.安装tensorflow2.2 (pip install tensorflow-gpu==2.2 -i https://pypi.douban.com/simple)
7.安装cudnn (conda install cudatoolkit=10.1 cudnn=7.6.5)
8.再安装其他依赖 (pip install -r requirements.txt -i https://pypi.douban.com/simple)

tensorflow2.3
1.安装CUDA 11版本 (官网)[https://developer.nvidia.com/cuda-toolkit]
2.由于CUDA会自动配好环境本项目不在详述 在命令行输入 nvcc -V 查看CUDA版本
3.安装conda (推荐在清华镜像站下载Anaconda或者Miniconda都可以)
4.更新一下conda (conda update -n base conda)
5.创建python3.7.7的虚拟环境并进入 (conda create -n example python=3.7.7) (conda activate example)
6.安装tensorflow2.3 (pip install tensorflow-gpu==2.3 -i https://pypi.douban.com/simple)
7.安装cudnn (conda install cudatoolkit=10.1 cudnn=7.6.5)
8.再安装其他依赖 (pip install -r requirements.txt -i https://pypi.douban.com/simple)

1.2 运行项目

注意(项目基于tensorflow2.2(2.3也可以))

项目的输入图片的格式为.jpg
不是.jpg后缀也不用慌本项目有修改后缀的代码
后面会介绍

运行项目

ps:不想自己练的拉取olded分支
直接运行app.py
默认开启5006端口,post请求接受一个参数img
需要base64一下,具体请看spider_example.py

第一步:新建项目

运行New_work.py(两个参数第一个是项目路径，第二个是项目名字)

第二步:初始化工作路径

运行init_working_space.py
python init_working_space.py

第三步:准备标注好的数据(图片名为，便签_一串可以找到你图片的哈希，MD5什么都可以，但是要唯一)

1.将训练数据放到train_dataset文件夹

2.将验证数据放到validation_dataset文件夹

3.将测试数据放到test_dataset文件夹

如果你的标注数据是一坨的话按照下面步骤区分开来(必须先区分好数据在进行下一步)

1.将一坨数据放到train_dataset文件夹(一坨指的是全部数据集在同一文件夹内)

2.运行move_path.py
  python move_path.py

如果你暂时没有数据,不用慌,先用生成的数据集吧

运行gen_sample_by_captcha.py

第四步:修改配置文件

运行cheak_file.py查看自己的数据最大高和宽(如果有ERROR日志暂时不用管)
IMAGE_HEIGHT和IMAGE_WIDTH最好设置的比数据集的高宽要大
本项目对小于配置文件高宽图片的处理是填充
大于配置文件高宽的图片先进行等比缩小然后再填充
其他设置后面在详细说先用默认设置启动项目吧
默认为ORDINARY模式(categorical_crossentropy损失)

第五步:打包数据

运行pack_dataset.py

第六步:编写模型并编译(model)

暂时先使用项目自带的模型吧

第七步:开始训练

运行train.py

第八步:开启可视化(这步可以省略)

tensorboard --logdir "logs"

第九步:评估模型

丹药出来后要看一下是几品丹药
运行test.py

第十步:开启后端

运行app.py
python app.py

第十一步:调用接口

先运行本项目给的例子感受一下
注意：这是微博的验证码
python spider_example.py

下面开始补充刚刚省略的一些地方,由于设置文件备注比较完善，解释部分参数

CPU_NUMBER

你的CPU核心数这个根据自己的CPU来设置，正确的设置对数据管道有好处

MODE

目前一共三种
'ORDINARY'      默认模式
'NUM_CLASSES'   图片分类
'CTC'           文字识别

是否使用数据增强(数据集多的时候不需要用)

DATA_ENHANCEMENT = False

数据集不够或者过拟合时，可以考虑数据增强下

增强方法在Function_API.py里面的Image_Processing.preprosess_save_images

验证码的长度

CAPTCHA_LENGTH = 8

这个数字要取你要识别验证码的最大长度

否则会报错raise ValueError

注意CTC和NUMCLASSES模式这个参数不再起作用

BATCH_SIZE

BATCH_SIZE = 16

如果你的显卡很牛逼，可以尝试调大点

训练次数

EPOCHS = 200

请放心调有训练多少轮验证损失下不去，停止训练的回调设置

还有断点续训的回调设置

EARLY_PATIENCE = 8

定义模型的方法名字,模型在models.py里的Model类 (一个方法就是一个模型)

MODEL = 'captcha_model'

其他设置如果没有特别情况，尽量不要改

2.项目结构描述

2.1项目结构描述

文件夹

works

工作目录

App_model

后端模型保存路径

checkpoint

保存检查点

CSVLogger

把训练轮结果数据流到 csv 文件

label

标签存放路径
待更新暂时无法使用

logs

保存被 TensorBoard 分析的日志文件

model

保存模型

train_dataset

保存训练集

train_enhance_dataset

保存增强后的训练集

train_pack_dataset

保存打包好的训练集

validation_dataset

保存验证集

vailidation_pack_dataset

保存打包好的验证集

test_dataset

保存测试集

test_pack_dataset

保存打包好的测试集

文件

New_work.py

新建工作目录

app.py

开启后端

callback.py

回调函数参考
[keras中文官网](https://keras.io/zh/callbacks/)
运行该文件会返回一个损失最小的权重文件

captcha_config.json

生成验证码的配置文件
  "image_suffix": "jpg",生成验证码的后缀
  "count": 20000,生成验证码的数量
  "char_count": [4, 5, 6],生成验证码的长度
  "width": 100,生成验证码的宽度
  "height": 60，生成验证码的高度

cheak_file.py

检查数据集图片的高和宽

delete_file.py

删除所有数据集的文件
这里是防止数据太多手动删不动

utils.py

项目核心，三大类
Image_Processing
图片处理和标签处理
WriteTFRecord
打包数据集
Distinguish_image
预测类模型生成后用这个类来预测和部署

gen_sample_by_captcha.py

生成验证码

init_working_space.py

初始化工作目录
***注意:此文件只在第一次运行项目时运行***
***因为这会重置checkpoint CSVLogger logs***

models.py

搭建模型网络，运行会生成model.png，展示模型的结构
需要安装graphviz，官网下载地址为[graphviz](http://www.graphviz.org/)

move_path.py

区分数据集

num_classes.json

运行pack_dataset.py后产生
记录网络输出的数字对应哪个值
映射表

pack_dataset.py

打包数据集

rename_suffix.py

修改训练集文件为.jpg后缀
验证集文件和测试集文件有需要修改后缀自行改代码

save_model.py

把损失最小的检查点保存成模型

settings.py

项目的设置文件

spider_example.py

爬虫调用例子
返回return_code状态码
return_info 处理状态
result 识别结果
recognition_rate 每个字符的识别率
time 识别时间单位s

sub_filename.py

替换文件名
例如文件名为test.01.jpg
运行后会修改为
test_01.jpg

test.py

读取模型进行测试

train.py

开始训练

3.识别验证码的思路

我们知道输入神经网络都是张量

那么我们看看图片的张量是怎么样子的

tf.Tensor( [[[[1. ] [1. ] [1. ] ... [1. ] [1. ] [1. ]]

[[1. ] [1. ] [1. ] ... [1. ] [1. ] [1. ]]

[[1. ] [1. ] [1. ] ... [1. ] [1. ] [1. ]]

...

[[0.8980392 ] [1. ] [1. ] ... [0.90588236] [1. ] [0.8901961 ]]

[[1. ] [1. ] [1. ] ... [1. ] [0.92156863] [1. ]]

[[0.9882353 ] [0.95686275] [1. ] ... [0.91764706] [1. ] [0.99607843]]]], shape=(1, 40, 100, 1), dtype=float32)

这是经过 本项目 Image_Processing.load_image 处理后的图片张量的样子 处理方法已经改成如果你设置的高宽比较小，先进行等比缩放，然后在进行填充 大的话直接填充，保证图片不会失真，设置的高宽最好大于数据集的高宽

def load_image(self, image):
    try:
        with open(image, 'rb') as image_file:
            image = Image.open(image_file)
            width, height = image.size
            if IMAGE_HEIGHT < height:
                resize_width = int(IMAGE_HEIGHT / height * width)
                image = image.resize((resize_width, IMAGE_HEIGHT))
            if IMAGE_WIDTH < width:
                resize_height = int(IMAGE_WIDTH / width * height)
                image = image.resize((IMAGE_WIDTH, resize_height))
            width, height = image.size
            image = np.array(image)
            image = np.pad(image, ((0, IMAGE_HEIGHT - height), (0, IMAGE_WIDTH - width), (0, 0)), 'constant',
                           constant_values=0)
            image = np.expand_dims(image, axis=0)
            image = image / 255.
            image_file.close()
        return image
    except IOError as e:
        logger.error(e)
        raise IOError('IO错误')

已经调整好形状并归一化了

那么标签呢？

首先说说独热编码是怎么回事

例如两个动物猫和狗:

那么表示猫我们用 [1,0]

那么表示狗我们用 [0,1]

这就是独热编码了，为了方便说明和理解我使用数字0到9说明一下标签的处理

例如我们要识别长度为4的验证码 有一张验证码的标签为 5206 那么标签要处理成

[0.,0.,0.,0.,0.,1.,0.,0.,0.,0., | 0.,0.,1.,0.,0.,0.,0.,0.,0.,0., | 1.,0.,0.,0.,0.,0.,0.,0.,0.,0., | 0.,0.,0.,0.,0.,0.,1.,0.,0.,0.,]

为了方便查看我用 | 隔开了 实际中要去掉

可以看到

0.,0.,0.,0.,0.,1.,0.,0.,0.,0.,

表示的就是5，那么其他数字依此类推

那么一张验证码为520的怎么处理呢？

[0.,0.,0.,0.,0.,1.,0.,0.,0.,0.,0., | 0.,0.,1.,0.,0.,0.,0.,0.,0.,0.,0., | 1.,0.,0.,0.,0.,0.,0.,0.,0.,0.,0., | 0.,0.,0.,0.,0.,0.,0.,0.,0.,0.,1.,]

可以看到

0.,0.,0.,0.,0.,1.,0.,0.,0.,0.,0.,

表示为5，多出的0.是表示空白字符

0.,0.,0.,0.,0.,0.,0.,0.,0.,0.,1.,

当我们识别有空白字符时，说明验证码长度不为4，后面把空白字符去掉即可，本项目用'_'代表空白字符

后面就是打包和训练了

CTC的标签比较简单，比如1表示龙，2表示舟

那么龙舟的标签处理成[1,2]

关于12306验证码识别的想法

通过抓包可以知道验证码文字部分在图片的上方

验证码图片部分有6张图片且图片的分布是固定的也就是说坐标是固定的

那么可以把图片分割成9份，分开来识别，当然现在只是想想肯定有更好的思路

特别感谢下面一些项目对我的启发

crnn_by_tensorflow2.2.0

安师大教务系统验证码检测

cnn_captcha

captcha_trainer

captcha-weibo

感谢大佬们的数据集让我省去很多成本和时间

搜狗验证码链接：https://pan.baidu.com/s/13wMK3GXaTZ-yaX0vNDG7Ww 提取码：9uxv

作者: kerlomz 来源: 夜幕爬虫安全论坛 原文链接: https://bbs.nightteam.cn/thread-149.htm 版权声明: 若无额外声明，本帖为作者原创帖，转载请附上帖子链接！

微博验证码链接：https://pan.baidu.com/s/1w5-MMzX47US3GS8a7xlSBw 提取码: 74uv

作者: kerlomz 来源: 夜幕爬虫安全论坛 原文链接: https://bbs.nightteam.cn/thread-470.htm 版权声明: 若无额外声明，本帖为作者原创帖，转载请附上帖子链接！

12306验证码链接：https://pan.baidu.com/s/1SFflCdfKmI6UW1E12GErOg 提取码：e89o

作者: sml2h3 来源: 夜幕爬虫安全论坛 原文链接: https://bbs.nightteam.cn/thread-84.htm 版权声明: 若无额外声明，本帖为作者原创帖，转载请附上帖子链接！

此项目以研究学习为目的，禁止用于非法用途

再次说明项目的tensorflow的版本是2.1(2.2)(2.3)不要搞错了

模型保存在分支,与大家共同学习

ps:新手上路，轻喷

如果觉得我写的不好或者想教我CRNN + CTC 或者有不懂的地方

加我的微信

qq2387301977

备注熊猫验证

更新日志

2020/08/09

微博加搜狗验证码识别率99.75%

12306图片识别率99.46%

待更新12306文字

2020/08/10

12306文字识别率99.7%

待更新整合api

2020/08/11

整合API

添加MODE设置
'ordinary'      微博加搜狗
'n_class'       12306图片
'ordinary_ocr'  12306文字

待更新模型部署

2020/09/13

1.MODE更换成：'ORDINARY'，'NUM_CLASSES'，'CTC'

2.取消用内置函数ord()形成映射表，运行pack_dataset.py的时候
自动生成num_classes.json，映射表

3.取消直接对图片resize，这样图片可能会失真，改成填充(不足设置的高宽进行补0)

4.增加inception，densenet，efficientnet等CNN模型
十分推荐Densenet_169，本人将微博验证码，搜狗验证码，12306_top
一起训练正确率也达到了86%(一轮训练要一个小时我只练了4轮，多训练几次达到98%以上都是可能的)

5.旧的项目移动至olded分支，模型太大有50M左右
不会再放模型在主分支

6.由于显卡太垃圾所以CTC暂时还运行不起来，不过流程是没问题的
用CPU可以训练但是训练太过于慢，对自己硬件自信的朋友可以试下
后面假如中了彩票的话，就新建一个分支放CTC的模型，识别通用文字

7.待更新模型部署

2020/09/20

使用标签平滑提升准确率，降低过拟合(防止模型太膨胀)

原本搜狗验证码只有93.85%正确率(训练6轮)，使用标签平滑后达到96.14%(训练7轮)

待更新模型部署

2020/10/22

修改打包不了RGB以外格式的图片

搜狗验证码+微博验证码+12306文字训练18轮达到了97%准确率(模型暂时不上传，一轮训练要1小时左右)

待更新模型部署，批量下载微博验证码并自动标注的demo

遇到的错误和解决方法

错误一:

验证的正确率很不错，测试时全错，或者正确率非常非常低

解决方法:

模型有问题，推荐使用Densenet_169，ResNeXt101，SEResNet152 模型在models.py的注释里面(注意，模型经过我的魔改)

错误二:

CUDNN_STATUS_INTERNAL_ERROR 显存不足

解决方法:

将占显存的地方放到CPU运行 减低模型的复杂程度，降低要训练的参数

错误三:

Failed to call ThenRnnForward

解决方法:

将BATCH_SIZE调小一点

错误四:

训练时损失降低至0点几，评估函数acc降低至0然后报错 nan

解决方法:

停止训练，将学习率调小

错误五:

一开始损失为nan

解决方法:

停止训练，检查数据，网络结构，网络激活函数等

错误六:

刚开始损失在降，后来变成nan

解决方法:

停止训练，降低学习率LR

错误七

loss和acc双降

解决方法

稍微等几轮，如果acc还在降，调小学习率