破解点击选择验证码

训练命令

sh run.sh yolo_train - 训练定位器
sh run.sh yolo_vaild - 批量前向定位器，保存结果为记事本。
sh run.sh classifier_train - 训练分类器
sh run.sh classifier_valid - 批量前向分类器

依赖

运行在python2，若使用python3注意darknet生成网络模型字符串需要加b前缀。

opencv3
easydict
Jinja2
Flask
scipy
numpy

目录结构

.
├── Makefile
├── README.md
├── cfg
│   ├── chinese.data                    分类器训练配置文件
│   ├── chinese_character.cfg           分类器网络配置文件
│   ├── yolo-origin.cfg                 定位器网络配置文件
│   ├── yolo-origin.data                定位器训练配置文件
│   ├── yolo-valid.cfg                  定位器批量前向网络配置文件
│   └── yolo-valid.data                 定位器批量前向配置文件
├── darknet                             darknet二进制
├── data
│   ├── chinese_label.names             分类器标签名称
│   └── yolo.names                      定位器标签名称
├── examples
├── include
├── model
│   └── character.dict                  分类器编码，需要替换
├── python
│   ├── __init__.py
│   ├── darknet.py                      darknet python接口
│   ├── sampleImage.py      
│   └── server.py                       部署模型接口
├── results                             yolo前向结果保存位置
│   └── comp4_det_test_character.txt
├── run.sh                              训练脚本
├── requierment.txt                     python依赖                            
├── train_cfg
│   ├── *.template                      训练配置模板文件
│   └── generate.py                     生成模板文件
├── scripts                             voc数据集转换脚本
└── src                                 darknet源代码

定位器训练

文件准备

准备如下两个文件

cfg
├── yolo-origin.cfg
└── yolo-origin.data

`yolo-origin.cfg`

[convolutional]
size=1
stride=1
pad=1
filters=30
activation=linear

[region]
anchors =  1.3221, 1.73145, 3.19275, 4.00944, 5.05587, 8.09892, 9.47112, 4.84053, 11.2364, 10.0071
bias_match=1
classes=1
coords=4
num=5
softmax=1
jitter=.3
rescore=1

object_scale=5
noobject_scale=1
class_scale=1
coord_scale=1

absolute=1
thresh = .6
random=1

filter为30，其计算公式为 $filter=num\cdot(classes + coord + 1)$ $30 = 5 \cdot (1 + 4 + 1)$
num代表每个框最多预测多少物体。
classes代表一共有多少个类，这里为1。
coord代表回归的四个位置，分别为<x> <y> <width> <height>代表物体中心点相对位置以及物体相对大小。如你的标签为0 0.2 0.75 0.16 0.18，好的标签为0 0.7 0.15 0.15 0.17。这张图的标签就是

0 0.2 0.75 0.16 0.18
0 0.7 0.15 0.15 0.17

label示例

`yolo-origin.data`

classes= 1
train = /some_path/train.txt
valid = /some_path/train.txt
names = darknet/data/yolo.names
backup = darknet/debug

classes代表一共有多少
train代表存放训练数据路径位置文件
valid代表存档前向测试数据路径文件

train.txt

products/trainval/0000172_6_0.jpg
products/trainval/0000172_6_1.jpg
products/trainval/0000172_6_2.jpg

label与图片在同一文件夹下

names前向时类别名称 (track, dog,bicycle)，在这里为任意一种即可，叫什么都可以。
backup训练后权重保存位置

训练

准备好文件后下载对应的权重，开始训练

wget https://pjreddie.com/media/files/darknet19_448.conv.23
sh run.sh yolo_train

分类器训练

准备文件

cfg
├── chinese_character.cfg
└── chinese.data

`chinese_character.cfg`

[convolutional]
batch_normalize=1
filters=1024
size=3
stride=1
pad=1
activation=leaky

[convolutional]
filters=3549
size=1
stride=1
pad=1
activation=leaky

[avgpool]

[softmax]
groups=1

[cost]
type=sse

filters 最后一层卷基层代表汉字分类个数，这里为3549

`Chinese.data`

classes=3549
train  = darknet/chinese_character_train/train.list
valid  = chinese_character_train/train.list
labels = darknet/data/chinese_label.names
backup = darknet/model/classifier
top=100

classes 代表分类个数
train代表存放训练数据路径位置文件
valid代表存档前向测试数据路径文件

train.txt

products/trainval/0000172_abcdefg.jpg
products/trainval/0000173_abcdfge.jpg
products/trainval/0000174_bcabfge.jpg

names 代表标签名称

abcdefg
abcdegf
abcdfeg
abcdfge
abcdgef
abcdgfe
abcedfg
abcedgf

darknet在通过文件名与names中的字符串做匹配，匹配到则认为该标签为匹配到的字串。如products/trainval/0000172_abcdefg.jpg，由于names中出现abcdefg，所以这张图的标签为abcdefg。所以图片的路径绝对不可以出现多个names中包含的字串，如果路径为some_path1/data2/3.jpg，names中包含1,2,3，则这张图片会被认为匹配1,2,3多个label从而报错。

top 代表vaild时取前多少计算正确率。如top100代表前分类时概率最大的前100类中出现了正确的标签就认为正确。因为点击验证码存在先验，我们有候选字的范围，可以结合候选字进行破解。

训练

sh run.sh classifier_train

配置文件生成

修改train_cfg/generate.py配置。最终配置生成在train_cfg目录下。

python train_cfg/generate.py