滑动验证码深度学习识别
本项目使用深度学习 YOLOV3 模型来识别滑动验证码缺口,基于 https://github.com/eriklindernoren/PyTorch-YOLOv3 修改。
只需要几百张缺口标注图片即可训练出精度高的识别模型,识别效果样例:
克隆项目
运行命令:
git clone https://github.com/Python3WebSpider/DeepLearningSlideCaptcha2.git
数据准备
使用 LabelImg 工具标注自行标注一批数据,大约 200 张以上即可训练出不错的效果。
LabelImg:https://github.com/tzutalin/labelImg
标注要求:
- 圈出验证码目标滑块区域的完整完整矩形,无需标注源滑块。
- 目标矩形命名为 target 这个类别。
- 建议使用 LabelImg 的快捷键提高标注效率。
环境准备
建议在 GPU 环境和虚拟 Python 环境下执行如下命令:
pip3 install -r requirements.txt
预训练模型下载
YOLOV3 的训练要加载预训练模型才能有不错的训练效果,预训练模型下载:
bash prepare.sh
下载完成之后会在 weights 文件夹下出现模型权重文件,供训练使用。
训练
本项目已经提供了标注好的数据集,在 data/captcha,可以直接使用。
如果要训练自己的数据,数据格式准备见:https://github.com/eriklindernoren/PyTorch-YOLOv3#train-on-custom-dataset。
当前数据训练脚本:
bash train.sh
实测 P100 训练时长约 15 秒一个 epoch,大约几分钟即可训练出较好效果。
测试
训练完毕之后会在 checkpoints 文件夹生成 pth 文件,可直接使用模型来预测生成标注结果。
此时 checkpoints 文件夹会生成训练好的 pth 文件。
当前数据测试脚本:
sh detect.sh
该脚本会读取 captcha 下的 test 文件夹所有图片,并将处理后的结果输出到 test 文件夹。
运行结果样例:
Performing object detection:
+ Batch 0, Inference Time: 0:00:00.044223
+ Batch 1, Inference Time: 0:00:00.028566
+ Batch 2, Inference Time: 0:00:00.029764
+ Batch 3, Inference Time: 0:00:00.032430
+ Batch 4, Inference Time: 0:00:00.033373
+ Batch 5, Inference Time: 0:00:00.027861
+ Batch 6, Inference Time: 0:00:00.031444
+ Batch 7, Inference Time: 0:00:00.032110
+ Batch 8, Inference Time: 0:00:00.029131
Saving images:
(0) Image: 'data/captcha/test/captcha_4497.png'
+ Label: target, Conf: 0.99999
(1) Image: 'data/captcha/test/captcha_4498.png'
+ Label: target, Conf: 0.99999
(2) Image: 'data/captcha/test/captcha_4499.png'
+ Label: target, Conf: 0.99997
(3) Image: 'data/captcha/test/captcha_4500.png'
+ Label: target, Conf: 0.99999
(4) Image: 'data/captcha/test/captcha_4501.png'
+ Label: target, Conf: 0.99997
(5) Image: 'data/captcha/test/captcha_4502.png'
+ Label: target, Conf: 0.99999
(6) Image: 'data/captcha/test/captcha_4503.png'
+ Label: target, Conf: 0.99997
(7) Image: 'data/captcha/test/captcha_4504.png'
+ Label: target, Conf: 0.99998
(8) Image: 'data/captcha/test/captcha_4505.png'
+ Label: target, Conf: 0.99998
样例结果:
协议
本项目基于开源 GNU 协议 ,另外本项目不提供任何有关滑动轨迹相关模拟和 JavaScript 逆向分析方案。
本项目仅供学习交流使用,请勿用于非法用途,本人不承担任何法律责任。
如有侵权请联系个人删除,谢谢。