FlanChanXwO/phpwind-captcha-ocr

1# 训练与微调2 3## 数据范围4 5训练或微调时，只使用来自自有或已获明确授权评估的 PHPWind 部署的验证码图片。请保留6数据来源、授权情况及版本信息，以便正确解释训练和评估结果。7 8## 环境9 10```bash11pip install torch onnx onnxscript pillow numpy opencv-python12```13 14## 从零训练15 16### 1. 准备数据17 18标签格式 `labels.json`：19```json20{21  "captcha_001.png": {"label": "4821"},22  "captcha_002.png": {"label": "9037"}23}24```25 26图片目录：150x60 左右的 RGB 验证码 PNG，文件名与标签键一致。27 28### 2. 训练29 30```bash31python scripts/train_fixed.py \32  <labels.json> <图片目录> <输出.onnx> \33  0.08      # val 比例34  500       # epochs35  1         # 增强开关 (1=开)36  rgb       # 输入 RGB (关键: 不要用灰度)37```38 39示例：40```bash41python scripts/train_fixed.py \42  data/1000_labels.json data/1000_raw \43  models/my_model.onnx \44  0.08 500 1 rgb45```46 47产物：48- `<输出>.onnx` — 最终 ONNX 模型49- `<输出>.onnx.pt` — 最优 epoch 的 PyTorch 权重 (best val)50 51### 3. 推理验证52 53```python54import numpy as np, onnxruntime as ort55from PIL import Image56sess = ort.InferenceSession("my_model.onnx", providers=["CPUExecutionProvider"])57im = Image.open("captcha.png").convert("RGB").resize((160,64), Image.BILINEAR)58x = np.asarray(im, dtype=np.float32).transpose(2,0,1)[None] / 255.059logits = sess.run(None, {"input": x})[0]60code = "".join(str(int(logits[0,p].argmax())) for p in range(4))61```62 63## 微调64 65从 checkpoint 续训（`train_fixed.py` 检测到 `<输出>.onnx.pt` 存在会自动加载权重）：66 67```bash68cp models/captcha_1000_raw.onnx.pt models/finetuned.onnx.pt69python scripts/train_fixed.py <新标签.json> <新图目录> models/finetuned.onnx 0.08 200 1 rgb70```71 72- 只标少量新样本（50-200 张）即可适配小幅变化73- 生成器变化大时建议新旧数据混合训练，避免灾难性遗忘74- 保持同样的预处理（RGB 160x64 /255，不去噪）和增强配置75 76## 参数说明77 78| 参数 | 默认 | 说明 |79|---|---|---|80| val_frac | 0.1 | 验证集比例 |81| epochs | 400 | 总训练轮数 |82| aug | 1 | 增强开关 |83| rgb | - | 传 `rgb` 启用 3 通道输入（推荐） |84 85## 关键经验86 871. **必须用 RGB，不要灰度** — 验证码数字是彩色的，灰度丢信息。882. **不要图像去噪** — 形态学开运算砍掉细笔画，val 从 88.6% 掉到 79.8%。数据量足够时模型自己学会过滤干扰线。893. **位置保留架构，不要 Global Average Pooling** — GAP 丢空间位置导致 val 归零；按列分组池化（20列→4位置）后立即泛化。904. **人类标注 >> 视觉模型自动标注** — 自动标注 ~35% 噪声会把模型带崩到 0% 命中；手工 100% 干净标签才能学到真实分布。915. **增强不要加高斯噪声** — 验证码本身有干扰线，再加随机噪声会让训练样本面目全非。92