大家好，今天来为大家分享网站项目源码分享的一些知识点，和网站源码推荐的问题解析，大家要是都明白，那么可以忽略，如果不太清楚的话可以看看本篇文章，相信很大概率可以解决您的问题，接下来我们就一起来看看吧！
机器之心专栏
作者：kerlomz
网上关于验证码识别的开源项目众多，但大多是学术型文章或者仅仅是一个测试demo，那么企业级的验证码识别究竟是怎样的呢？
1.前言
网上关于验证么识别的开源项目众多，但大多是学术型文章或者仅仅是一个测试demo，那么企业级的验证码识别究竟是怎样的呢？前方高能预警，这是一个生产水准的验证码识别项目，笔者可以向你们保证，它一定会是各位所见过的文章中最实用的，你甚至可以不需要懂代码写代码就能轻松使用它训练一个99识别率的模型。这才是企业级应该有的样子：算法开发负责框架，训练只需要一个实习生。不仅操作上简单，在可用性和稳定性上也是经得起考验。性能上，笔者使用腾讯云1核1G的机器测试：单次识别平均在12ms左右，再也不需要GPU部署了，CPU一样可以日调百万。
不少初学者和笔者反应，安装环境太难了，没关系，都给你们安排好了，一行pip就能搞定环境的MuggleOCR。
仓库地址：https://pypi.org/project/muggle-ocr
MuggleOCR的体积有6MB，其中附带了两个通用模型：简单通用验证码，普通OCR。简而言之就是，再也不用愁验证码的样本不好标注了，它将是各位标注样本的利器，简单的验证码识别率能有95%以上，复杂的也有50%-70%左右，只需要结合官网校验，轻松下载几万标注样本。
除此之外，它可以支持调用使用本文框架（captcha_trainer）训练的模型。调用只需要三行核心代码：
34;1.png&34;rb&步骤1
importmuggle_ocr
步骤3
text=sdk.predict(image_bytes=img_bytes)
print(text)
是不是很简单，用它应付一般的验证码识别足矣。
本项目旨在降低图像识别的门槛，让深度学习技术能够进入更多人的视线。任何人经过简单的介绍，都可以轻易使用这项技术训练一个商业化的成品。
笔者选用的时下最为流行的CNNBackbone+RNN+CTC（CRNN）进行端到端的不定长验证码识别，代码中预留了CNNX/MobileNet/DenseNet121/ResNet50等。其中可能你们搜不到CNN5和CNNX，因为是小编自己拼凑的网络选项，专门为验证码优化定制的，在配置界面中可以随意切换网络组合。
前面介绍这么多还没进入正题，各位是不是好奇它到底是什么模样呢？
运行方法：
1.可通过编译版的可执行文件运行
2.在项目中运行app.py来启动GUI的界面
训练项目源码：https://github.com/kerlomz/captcha_trainer
编译版下载地址：https://github.com/kerlomz/captcha_trainer/releases
部署项目源码：https://github.com/kerlomz/captcha_platform
编译版下载地址：https://github.com/kerlomz/captcha_platform/releases
注意：在Windows服务器版中使用编译版如果出现闪退，可以用CMD执行可执行文件来查看报错，如果报错为cv2ImportError:Dllloadfailed请按照步骤：我的电脑——属性——管理——添加角色和功能——勾选桌面体验，点击安装，安装之后重启即可。
H16/H64指的是隐藏神经元个数，根据上面的数据可知，训练使用GPU，部署预测使用CPU足矣。
2.环境依赖：
环境依赖花了超长篇幅，主要是写给零开发基础的使用者，有基础的可以随便跳过，也欢迎使用编译版，可在上一章末尾找到下载地址。
关于CUDA和cuDNN版本的问题，就让不少人望而却步，其实很简单，如果使用pypi仓库安装的TensorFlow，那么Linux系统使用CUDA9.0，Windows使用CUDA10.0，因为仓库中的whl安装文件都是根据对应的CUDA版本编译的。也就是版本绑定死了，如果有需要可以去搜索TensorFlowWheel找第三方编译的版本，如果妄图自行编译我这里劝退一下，坑很多。
2.1项目使用环境
以下是通过测试的环境：
本训练项目主要的环境依赖清单如下
在项目中的requirements.txt已经整理好所有依赖模块。一键
pipinstall-rrequirements.txt
安装即可
1）安装相关依赖不用理会上面的清单，在项目中的requirements.txt已经整理好所有依赖模块。可以直接在项目路径下执行
pip3install-rrequirements.txt
安装所有依赖。
注意默认情况会安装到全局的Python环境下，笔者强烈建议在虚拟环境进行，做好项目间的环境隔离，可以借助Virtualenv或Anaconda等等实现。笔者个人使用的是Virtualenv，如果有修改代码需求的，可直接在PyCharm上操作。
virtualenv-p/usr/bin/python3venv进入环境.
sourcebin/activatecaptcha_trainer是项目名.
pip3install-rrequirements.txt39;你&39;好&39;世&39;界&39;北&39;京&39;大&39;学&34;飞机&34;鞋子&34;水杯&34;面包&34;横幅&34;订书机&34;壁画&34;猫砂&34;飞机&34;鞋子&34;水杯&34;面包&34;横幅&34;订书机&34;壁画&34;猫砂&34;start_pos&34;interval_size&34;corp_num&34;corp_size&34;start_pos&34;interval_size&34;corp_num&34;corp_size&端口19952
python3tornado_server.py
Flask
方案2，使用gunicorn，端口5000
pipinstallgunicorn
gunicorn-cdeploy.conf.pyflask_server:app
Sanic：
端口50054
python3grpc_server.py
编译版(基于Tornado)
后台运行
nohup./captcha_platform_tornado&
Windows：Windows平台下都是通过python3xxx_server.py启动对应的服务，注意，Tornado、Flask、Sanic的性能在Windows平台都大打折扣，gRPC是Google开源的RPC服务，有较为优越的性能。编译版直接运行编译后的exe可执行文件即可。
3.4调用/测试
1.Tornado服务：
具体参数：
请求为JSON格式，形如：{&34;:&34;}
返回结果：
该返回为JSON格式，形如：{&39;:&34;,&34;:&34;,&34;:0,&34;:true}
2.Flask服务：
请求参数和返回格式同上
3.Sanic服务：
请求参数和返回格式同上
4.gRPC服务：需要安装依赖，grpcio、grpcio_tools和对应的grpc.proto文件，可以直接从项目中的示例代码demo.py中提取。
python-mgrpc_tools.protoc-I.–python_out=.–grpc_python_out=../grpc.proto
grpcio、grpcio_tools是根据grpc.proto使用上述命令生成的。
classGoogleRPC(object):
def__init__(self,host:str):
self._url=&39;.format(host)
self.true_count=0
self.total_count=0
defrequest(self,image,model_type=None,model_site=None):
importgrpc
importgrpc_pb2
importgrpc_pb2_grpc
channel=grpc.insecure_channel(self._url)
stub=grpc_pb2_grpc.PredictStub(channel)
response=stub.predict(grpc_pb2.PredictRequest(
image=image,split_char=&39;,model_type=model_type,model_site=model_site
))
return{&34;:response.result,&34;:response.code,&34;:response.success}
if__name__==&39;:
result=GoogleRPC().request(&34;)
print(result)
3.5奇技淫巧
举一个比较不常见的例子，以下例子不代表任何网站。
正常情况下会想到以下1和2.1的方法：
1.颜色提取的思路，可以采用HSV/K-means聚类进行颜色的分离提取：效果如下：
弊端显而易见，会有较大的特征丢失，识别率有较大的提升瓶颈，经过测试，中英文+汉字的识别率在90%左右。
2.不分离颜色的思路，该方案有两种处理方法：
（1）同时预测颜色和字符内容，这种方法看起来比较正统，但是成本较高，需要标注每张图的颜色和字符内容，这个要求有多高呢，一般的打码平台是无法提供这样的结果的，打码平台只返回对应颜色的内容，只能人工标注，那么需要多少样本呢？按照笔者训练的识别率98的模型用了100w左右的样本。一张这样的样本标注假设需要0.1元，那么100w样本需要10w标注费用，假设0.01元，也要1w的标注费用。但是验证码高质量的人工标注几乎是不存在的，因为很多样本，人眼的识别率是不如机器的，总体标注的准确率大概也只能在85左右。看起来并不可取，有一种节约成本的办法，可以通过算法生成样本，但是呢，生成的识别率英文数字还可以，中文的识别率就低的可怜了。
（2）每个颜色分别训练一个模型，这种方法看起来有点蠢，但是确实比较合适有效的办法了，可以轻松借助打码平台的返回结果标注样本。需要的颜色可以通过官网提供的字段取到，返回结果通过打码平台识别得到，这样一组合，样本就有了。这种方法的成本相对较低，样本数不变的前提下，打码价格低于人工标注的成本。但是笔者训练的是一种颜色的样本用了100w。每个颜色分别训练这样成本还是下不来。四种颜色就是500w样本。官网的每次获取图片的时候颜色随机出现的概率也不一定是1/4。
（3）把所有颜色都通过颜色变换为一种颜色，整体思路同（2）。如下图，笔者将黑色转换为红色，但是样本成本只有采集一种颜色的成本。看起来是目前位置最佳的方案了，事实也是如此的。但是呢，100w的样本对于普通人来说也是一笔不小的花销，即便有了样本能做出来也需要花费不少的时间和精力。
不过采集样本不是单纯的接打码平台就完事了，需要经过官网判断，只有通过验证，正确的样本才保存下来。这样有效的样本对提高识别率才有帮助。
经过笔者实验，2.3的方法性能效果最佳。
笔者实时对接官网对实验模型进行检验，结果如上图，测试了200+次，识别率达到98%以上，识别速度的话，相较于1.1的方法省去了颜色提取，大大缩短了时间，CPU大概5-8毫秒左右，模型大概3mb。
所以选择合适的方案解决问题才是最终的目的，希望这个项目和这篇介绍能带大家入门企业级的验证码识别。
网站项目源码分享和网站源码推荐的问题分享结束啦，以上的文章解决了您的问题吗？欢迎您下次再来哦！