captcha_tf2

验证码识别 深度学习 tensorflow 神经网络
使用卷积神经网络，对字符，数字类型验证码进行识别，tensorflow使用2.0以上

目前项目还在更新中,诸多bug，欢迎提出issue和PR, 希望和你一起共同完善项目。

实例demo

训练过程

• 优化器选择: Adam
• 损失函数: MSLE(均方对数误差)
  
• 数据集: 随机生成的10000张图片，按照8:2用于训练和验证
  
• 设备: Titan X 在训练过程中第5次epoch即可达到 80的accuracy，50以上的val_accuracy。
  经过30次epoch accuracy达到93, val_acc在85以上
  最高达到97 acc

目前训练val提升可以，loss下降稳定

demo图片

目录

1. 项目结构

1.1 文件目录

序号	文件	说明
1	model/	模型权重文件
2	network/	神经网络
3	settings_tf	项目配置文件
4	tools/	工具文件
5	data/	数据文件

1.2 主要文件

序号	文件	说明
1	train.py	训练程序
2	detect.py	测试程序
3	make_data.py	训练集合成程序
4	create_image.py	数据集生产脚本

2. 使用

修改主路径下derect.py的配置变量注:注意config.py的图片size
直接调用python detcet.py
保存格式:*.txt: [6, 9, 5, 6] 1.jpg

3. 训练

3.1 数据准备:

• 如果自己收集数据较为繁琐，可直接调用create_image.py,修改相应配置即可快速生成图片集和标注文件 无需其他步骤
• 或是自己去网络上寻找验证码图片集, 保存格式需以数字顺序保存，且标注文件存放在某个单独的 txt中，标注结果是对应的图片名数字-1作为下标 默认采用数据集样式为1.jpg, 2.jpg ...的顺序格式
  

|￣￣data/
|   |
|   |￣￣images/
|   |   |
|   |   |￣￣1.jpg
|   |   |
|   |   |￣￣2.jpg
|   |    
|   |￣￣label.txt

3.2开始训练

首先修改congig.py配置文件
接着修改train.py

• 开始训练 python train.py
  

网络

序号	层
输入	(B, 60, 160, 1)
1	卷积(32) relu BN
2	卷积(64) relu BN 相等池化
3	卷积(128) relu BN 相等池化
4	卷积(64) relu BN 相等池化
5	卷积(32) relu BN 相等池化
6	扁平化
8	全链接(onehot) softmax
输出	(长度, 类别)