Подписывайтесь на наш Telegram и не пропускайте важные новости! Перейти
Что нового?

Исходник Нейросеть для авто-решения капчи (FunTime / Holyworld)

lvrulelvrule
Начинающий
lvrulelvrule
Начинающий
Статус
Оффлайн
Регистрация
5 Ноя 2022
Сообщения
75
Реакции
3
Выберите загрузчик игры
  1. Прочие моды
Крч всем привет думаю что каждый хотел бы свою локальную модель по решению каптчи но ленится сделать из опенсурса или лень искать
Так вот в этой теме я дам саму модель и инструкцию по использованию

Немного о характеристиках
YOLO12n (помарка в прошлом посте что v11 была извиняюсь) — attention-based детектор символов/объектов для капчи
Характеристики модели (best.pt):
Слоёв: 272
Параметры: 2,569,998 (~2.6M)
Вычисления: 6.5 GFLOPs
mAP@50:95 (COCO): 40.6%

Использовалась на 1650 suped 4gb в среднем решение занимает 0.2-0.6 секунд
Обучение было 100 эпох (на rtx 4060 вроде)
Дообучалась на капчах с такими параметрами:
epochs=100, patience=15
imgsz=640, batch=32
amp=True, optimizer=auto

Формат модели .pt не .onnx что означает что вы не можете использовать JS для запуска (для удобности можете сконвертировать в onnx)
Я же используя python для ее запуска (чистый backend эндпоинт для запросов от JS скриптов)

Скачать модель:
Пожалуйста, авторизуйтесь для просмотра ссылки.
при проблемах с скачиванием писать @lv0xn (telegramm)

Как работает бэкенд-сервер (Flask + Ultralytics):
Эндпоинт /solve (POST)
Принимает файл-картинку (проверяет, что это валидное изображение)
Сохраняет во временную папку (удаляет после обработки)
Запускает предсказание YOLO12n несколько раз с разными conf (0.8 → 0.25 для более лучшей точности)
Берёт вариант, где нашлось ≥5 боксов → сортирует по x-координате (слева→направо)
Склеивает символы из class_id в строку
Если 5 боксов не нашлось — всё равно пытается собрать из того, что есть
Возвращает: {"result": "12345"} или ошибку
Логи пишет, ошибки ловит, модель грузится один раз при старте.

ВНИМАНИЕ ! ! ТОЧНОСТЬ МОДЕЛИ ПРИ ТЕСТАХ НА 100 КАПТЧАХ (FunTime +- 91% | HolyWorld +-83%) акцент сделан больше под ФТ

Код сервера (PYTHON)
Python:
Expand Collapse Copy 
from flask import Flask, request, jsonify
from ultralytics import YOLO
import os
import logging
import uuid
from PIL import Image

# ================================================================
#                        НАСТРОЙКИ И ИНИЦИАЛИЗАЦИЯ
# ================================================================

app = Flask(__name__)

# Настройка логирования
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
logging.getLogger("ultralytics").setLevel(logging.ERROR)

# Папка для временных файлов
TEMP_DIR = "temp_captcha"
os.makedirs(TEMP_DIR, exist_ok=True)

# Путь к модели
MODEL_PATH = os.path.abspath("best.pt")

if not os.path.exists(MODEL_PATH):
    logger.error(f"Модель по пути {MODEL_PATH} не найдена!")
    exit(1)

# Загрузка модели один раз только при старте
model = YOLO(MODEL_PATH, task='detect')
logger.info(f"Модель успешно загружена: {MODEL_PATH}")

# ================================================================
#                        ФУНКЦИЯ ОБРАБОТКИ КАПЧИ
# ================================================================

def process_captcha(image_path):
    """Основная логика распознавания капчи с несколькими попытками"""
    captcha_text = ""
    best_conf = 0.5

    # Пробуем разные уверенности, начиная с самого строгого
    confidence_thresholds = [0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.25]

    for conf in confidence_thresholds:
        results = model.predict(
            source=image_path,
            imgsz=640,
            conf=conf,
            iou=0.4,
            verbose=False
        )

        all_boxes = []
        for result in results:
            boxes = result.boxes.data.tolist()
            all_boxes.extend(boxes)

        # Если нашли хотя бы 5 символов — это основной кандидат
        if len(all_boxes) >= 5:
            # Сортируем по уверенности и берём топ-5
            all_boxes.sort(key=lambda x: x[4], reverse=True)
            top_5 = all_boxes[:5]
            # Сортируем слева направо по координате x
            top_5.sort(key=lambda x: x[0])

            captcha_text = "".join(model.names[int(box[5])] for box in top_5)
            logger.info(f"Успешно распознано (conf={conf}): {captcha_text}")
            return captcha_text

    # Если ни при одном пороге не нашли 5 символов — берём всё что есть
    # (самый последний порог — самый низкий)
    if all_boxes:
        all_boxes.sort(key=lambda x: x[0])  # слева направо
        captcha_text = "".join(model.names[int(box[5])] for box in all_boxes)
        logger.info(f"Распознано частично (меньше 5 символов): {captcha_text}")
        return captcha_text

    logger.warning("Не удалось распознать ни одного символа")
    return ""


# ================================================================
#                           ЭНДПОИНТ SOLVE
# ================================================================

@app.route('/solve', methods=['POST'])
def solve():
    temp_path = None

    try:
        # Проверка что в запросе есть файл
        if 'file' not in request.files:
            return jsonify({'error': 'Отсутствует поле file'}), 400

        file = request.files['file']
        if file.filename == '':
            return jsonify({'error': 'Файл не выбран'}), 400

        # Уникальное имя каптчи что бы не путаться
        file_ext = os.path.splitext(file.filename)[1] or '.png'
        temp_filename = f"{uuid.uuid4()}{file_ext}"
        temp_path = os.path.join(TEMP_DIR, temp_filename)

        file.save(temp_path)

        # Проверка на существование и валидности файла
        if not os.path.exists(temp_path) or os.path.getsize(temp_path) == 0:
            logger.error(f"Файл не сохранился или пустой: {temp_path}")
            return jsonify({'error': 'Не удалось сохранить файл'}), 500

        # Проверка что это изображение вообще
        try:
            with Image.open(temp_path) as img:
                img.verify()
        except Exception as e:
            logger.error(f"Повреждённый или некорректный файл изображения: {e}")
            return jsonify({'error': 'Некорректный файл изображения'}), 400

        # тут крч решает каптчу
        result_text = process_captcha(temp_path)

        return jsonify({'result': result_text})

    except Exception as e:
        logger.error(f"Критическая ошибка при обработке: {str(e)}", exc_info=True)
        return jsonify({'error': str(e)}), 500

    finally:
        # Удаление временного файла
        if temp_path and os.path.exists(temp_path):
            try:
                os.remove(temp_path)
            except Exception as e:
                logger.error(f"Не удалось удалить временный файл {temp_path}: {e}")


# ================================================================
#                             ЗАПУСК
# ================================================================

if __name__ == '__main__':
    print("Запуск сервера распознавания капчи...")
    print("Эндпоинт: http://0.0.0.0:5000/solve  (POST)")
    app.run(host='0.0.0.0', port=5000, debug=False)
 
bodyaln7 написал(а):
поведаешь? я в паблик доступе не видел ничего подобного
Нажмите для раскрытия...
ну значит плохо искал я сам при попытках сделать свою модель нашел другую бесплатную модельку которая решает примерно с такой же точностью как у него 90% +-
 
slsuck написал(а):
есть уже готовые и бесплатные решения которые работают ни чуть не хуже
Нажмите для раскрытия...
я писал в теме что "каждый хотел бы свою локальную модель по решению каптчи но ленится сделать из опенсурса или лень искать" и я не говорю про чистые модели а говорю про датасеты
 
lvrulelvrule написал(а):
Крч всем привет думаю что каждый хотел бы свою локальную модель по решению каптчи но ленится сделать из опенсурса или лень искать
Так вот в этой теме я дам саму модель и инструкцию по использованию

Немного о характеристиках
YOLO12n (помарка в прошлом посте что v11 была извиняюсь) — attention-based детектор символов/объектов для капчи
Характеристики модели (best.pt):
Слоёв: 272
Параметры: 2,569,998 (~2.6M)
Вычисления: 6.5 GFLOPs
mAP@50:95 (COCO): 40.6%

Использовалась на 1650 suped 4gb в среднем решение занимает 0.2-0.6 секунд
Обучение было 100 эпох (на rtx 4060 вроде)
Дообучалась на капчах с такими параметрами:
epochs=100, patience=15
imgsz=640, batch=32
amp=True, optimizer=auto

Формат модели .pt не .onnx что означает что вы не можете использовать JS для запуска (для удобности можете сконвертировать в onnx)
Я же используя python для ее запуска (чистый backend эндпоинт для запросов от JS скриптов)

Скачать модель:
Пожалуйста, авторизуйтесь для просмотра ссылки.
при проблемах с скачиванием писать @lv0xn (telegramm)

Как работает бэкенд-сервер (Flask + Ultralytics):
Эндпоинт /solve (POST)
Принимает файл-картинку (проверяет, что это валидное изображение)
Сохраняет во временную папку (удаляет после обработки)
Запускает предсказание YOLO12n несколько раз с разными conf (0.8 → 0.25 для более лучшей точности)
Берёт вариант, где нашлось ≥5 боксов → сортирует по x-координате (слева→направо)
Склеивает символы из class_id в строку
Если 5 боксов не нашлось — всё равно пытается собрать из того, что есть
Возвращает: {"result": "12345"} или ошибку
Логи пишет, ошибки ловит, модель грузится один раз при старте.

ВНИМАНИЕ ! ! ТОЧНОСТЬ МОДЕЛИ ПРИ ТЕСТАХ НА 100 КАПТЧАХ (FunTime +- 91% | HolyWorld +-83%) акцент сделан больше под ФТ

Код сервера (PYTHON)
Python:
Expand Collapse Copy 
from flask import Flask, request, jsonify
from ultralytics import YOLO
import os
import logging
import uuid
from PIL import Image

# ================================================================
#                        НАСТРОЙКИ И ИНИЦИАЛИЗАЦИЯ
# ================================================================

app = Flask(__name__)

# Настройка логирования
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)
logging.getLogger("ultralytics").setLevel(logging.ERROR)

# Папка для временных файлов
TEMP_DIR = "temp_captcha"
os.makedirs(TEMP_DIR, exist_ok=True)

# Путь к модели
MODEL_PATH = os.path.abspath("best.pt")

if not os.path.exists(MODEL_PATH):
    logger.error(f"Модель по пути {MODEL_PATH} не найдена!")
    exit(1)

# Загрузка модели один раз только при старте
model = YOLO(MODEL_PATH, task='detect')
logger.info(f"Модель успешно загружена: {MODEL_PATH}")

# ================================================================
#                        ФУНКЦИЯ ОБРАБОТКИ КАПЧИ
# ================================================================

def process_captcha(image_path):
    """Основная логика распознавания капчи с несколькими попытками"""
    captcha_text = ""
    best_conf = 0.5

    # Пробуем разные уверенности, начиная с самого строгого
    confidence_thresholds = [0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.25]

    for conf in confidence_thresholds:
        results = model.predict(
            source=image_path,
            imgsz=640,
            conf=conf,
            iou=0.4,
            verbose=False
        )

        all_boxes = []
        for result in results:
            boxes = result.boxes.data.tolist()
            all_boxes.extend(boxes)

        # Если нашли хотя бы 5 символов — это основной кандидат
        if len(all_boxes) >= 5:
            # Сортируем по уверенности и берём топ-5
            all_boxes.sort(key=lambda x: x[4], reverse=True)
            top_5 = all_boxes[:5]
            # Сортируем слева направо по координате x
            top_5.sort(key=lambda x: x[0])

            captcha_text = "".join(model.names[int(box[5])] for box in top_5)
            logger.info(f"Успешно распознано (conf={conf}): {captcha_text}")
            return captcha_text

    # Если ни при одном пороге не нашли 5 символов — берём всё что есть
    # (самый последний порог — самый низкий)
    if all_boxes:
        all_boxes.sort(key=lambda x: x[0])  # слева направо
        captcha_text = "".join(model.names[int(box[5])] for box in all_boxes)
        logger.info(f"Распознано частично (меньше 5 символов): {captcha_text}")
        return captcha_text

    logger.warning("Не удалось распознать ни одного символа")
    return ""


# ================================================================
#                           ЭНДПОИНТ SOLVE
# ================================================================

@app.route('/solve', methods=['POST'])
def solve():
    temp_path = None

    try:
        # Проверка что в запросе есть файл
        if 'file' not in request.files:
            return jsonify({'error': 'Отсутствует поле file'}), 400

        file = request.files['file']
        if file.filename == '':
            return jsonify({'error': 'Файл не выбран'}), 400

        # Уникальное имя каптчи что бы не путаться
        file_ext = os.path.splitext(file.filename)[1] or '.png'
        temp_filename = f"{uuid.uuid4()}{file_ext}"
        temp_path = os.path.join(TEMP_DIR, temp_filename)

        file.save(temp_path)

        # Проверка на существование и валидности файла
        if not os.path.exists(temp_path) or os.path.getsize(temp_path) == 0:
            logger.error(f"Файл не сохранился или пустой: {temp_path}")
            return jsonify({'error': 'Не удалось сохранить файл'}), 500

        # Проверка что это изображение вообще
        try:
            with Image.open(temp_path) as img:
                img.verify()
        except Exception as e:
            logger.error(f"Повреждённый или некорректный файл изображения: {e}")
            return jsonify({'error': 'Некорректный файл изображения'}), 400

        # тут крч решает каптчу
        result_text = process_captcha(temp_path)

        return jsonify({'result': result_text})

    except Exception as e:
        logger.error(f"Критическая ошибка при обработке: {str(e)}", exc_info=True)
        return jsonify({'error': str(e)}), 500

    finally:
        # Удаление временного файла
        if temp_path and os.path.exists(temp_path):
            try:
                os.remove(temp_path)
            except Exception as e:
                logger.error(f"Не удалось удалить временный файл {temp_path}: {e}")


# ================================================================
#                             ЗАПУСК
# ================================================================

if __name__ == '__main__':
    print("Запуск сервера распознавания капчи...")
    print("Эндпоинт: http://0.0.0.0:5000/solve  (POST)")
    app.run(host='0.0.0.0', port=5000, debug=False)
Нажмите для раскрытия...
Прикольное (не значит хорошее) решение с yolo. у тебя вышло решить проблему, однако для такого принято использовать несколько другие решения, поресерчи в гугле OCR у тебя в целом по инференсу будет куда лучше, ибо он у тебя сейчас тяжелый, и результаты приятнее будут
lvrulelvrule написал(а):
Запускает предсказание YOLO12n несколько раз с разными conf (0.8 → 0.25 для более лучшей точности)
Нажмите для раскрытия...
да и в целом такой ужас не придется делать

upd: а ну и не советую делать глобальную модель под несколько серверов
лучше бы с адаптерами сделал
 

Похожие темы

Sexemen
Исходник Site downloader on python
Ответы
3
Просмотры
587
merka1rugg
M
lvrulelvrule
Гайд Checker donate funtime. Проверка привилегий людей ФТ. ГАЙД
Ответы
7
Просмотры
2K
jiborjimor
jiborjimor
F
Вопрос Skinchanger
Ответы
8
Просмотры
568
silenthvh
silenthvh
T
Вопрос Почему приближение сломано?
Ответы
0
Просмотры
134
Tapok555
T
Gotions
Софт PingPick|Python
Ответы
3
Просмотры
331
anfisov
anfisov
Немного о главном
Полезные мелочи
О нас

Проект предоставляет различный материал, относящийся к сфере киберспорта, программирования, ПО для игр, а также позволяет его участникам общаться на многие другие темы. Почта для жалоб: admin@yougame.biz

Поделиться страницей
Назад
Сверху Снизу