注意，本文只提供学习的思路，严禁违反法律以及破坏信息系统等行为，本文只提供思路
如有侵犯，请联系作者下架
本文识别已同步上线至OCR识别网站： http://yxlocr.nat300.top/ocr/textclick/12
之前写过一篇水文，腾讯包含文字验证码，但是由于腾讯的AI背景越来越多越来越杂，文字越来越变态，并且标题种类也在增加，成语，同音字等等。。。
过程介绍
- 训练介绍
- 生成过程
- 结尾
训练介绍
仅靠手里那小十几万，几十万数据集是远远不够的，并且此类场景只能做二阶段，但凡做一阶段，那就是XX，根本适应不了后续的更新，二阶段，还想要无限泛化，靠人工标注肯定是不够的，你的成本无限上升，那么本篇文章还是自己去生成，自给自足才能恒久远，最终效果可以到网站上测试下，当然，再好的模型也不会有百分百的准确率的，各位伙伴自己随机尝试即可，注意，网站目前只支持输入文字，判断文字所在的位置，暂不开放适配成语、同音字这样的类型，需要该类型可以单独找我
生成过程
首先就是选型，字体类型、背景类型、形变类型都要确保充足覆盖，这里我使用了上百种字体，2w+的字库，首先确保无论是常用字还是生僻字，都能覆盖全面
背景的选型就不是很讲究了，只要你的背景数量够多够杂，每次随机背景中的一块区域，基本上你的背景也能做到很随机了，甚至你拿其他验证码图片作为背景都可以，以下这种都可以，
这里使用pillow生成文字，代码层面，只需要做到在随机选取背景和文字的情况下，也能随机应用形态学，这里我使用了数十种图像增强，部分代码如下：
其中，部分生成数据集如下，从简单背景到复杂背景，从简单形变到复杂形变，均有生成，其中部分生僻字，经过图像增强后，也许看不清，但这并不影响模型的训练数据集总数达2000W+
在有了大量数据集后，训练就是一个简单的事情了，如果你的模型选型就比较大，比方说resnet101这种，训练都要个把礼拜了，总之，准备好gpu和合适的模型选型，开练吧！
结尾
通过该方法训练的模型后，并不只适用于腾讯，普通文字点选，生僻字识别等等都有很高的准确率，通过测试，该模型对字的字体、形态、形变、角度等都训练到了不错的效果，基本上可以做到通用了，下面是适配的文字识别，能适配但不限于
即便是咸鱼这种变态文字也能覆盖
 - 如何快速导入Jira、Mantis数据)
