|
|
--- |
|
|
library_name: transformers |
|
|
license: mit |
|
|
datasets: |
|
|
- gary109/captcha-synth-v3 |
|
|
--- |
|
|
|
|
|
# Model Card for Model ID |
|
|
|
|
|
<!-- Provide a quick summary of what the model is/does. --> |
|
|
|
|
|
|
|
|
|
|
|
## Model Details |
|
|
|
|
|
### Model Description |
|
|
|
|
|
本模型結合了卷積神經網絡 (CNN) 作為**視覺特徵提取器**和 Transformer Encoder 作為**序列解碼器**，旨在解決光學字元辨識 (OCR) 中的驗證碼識別任務。 |
|
|
CNN Backbone 負責從輸入的灰階驗證碼圖片中提取豐富的空間特徵，而 Transformer Encoder 則利用自註意力機制 (Self-Attention) 來理解這些特徵的序列關係和上下文資訊，最終輸出每個時間步對應各個字元（包含 CTC Blank Token）的機率分佈。 |
|
|
模型使用 CTC Loss 進行訓練，使其能夠在不知道確切字元對齊位置的情況下學習序列預測。 |
|
|
訓練完成時，模型能在資料集作者提供的驗證集中達到91.14%的準確度 |
|
|
|
|
|
- **Developed by:** [me] |
|
|
- 沒填的部分就是作者沒看懂要填什麼 |
|
|
|
|
|
## Uses |
|
|
|
|
|
### Direct Use |
|
|
此模型可以直接用於識別與 gary109/captcha-synth-v3 數據集中風格類似的驗證碼圖片。 |
|
|
|
|
|
|
|
|
### Downstream Use [optional] |
|
|
|
|
|
此模型可以作為更複雜系統的一部分，例如自動化測試流程或輔助工具。也可以在其基礎上，使用特定風格的驗證碼數據進行進一步的微調（例如使用 LoRA）。 |
|
|
|
|
|
### Out-of-Scope Use |
|
|
|
|
|
* 此模型**不適用於**通用的 OCR 任務（例如掃描文件）、手寫文字識別。 |
|
|
* 對於與訓練數據風格迥異（例如完全不同的字體、雜訊模式、背景）的驗證碼，性能可能會顯著下降。 |
|
|
* **道德考量**：此模型**不應**被用於惡意繞過網站的安全機制或進行任何形式的濫用。開發和使用此類技術應遵守相關法律法規和道德準則。 |
|
|
|
|
|
## **Bias, Risks, and Limitations** |
|
|
|
|
|
* **性能偏差**：模型性能高度依賴於輸入圖片與訓練數據的相似性。對於訓練集中未出現或罕見的字元樣式、雜訊類型，模型可能表現不佳。 |
|
|
* **數據集偏差**：gary109/captcha-synth-v3 數據集的生成方式可能引入潛在偏差（例如某些字元組合更常見）。 |
|
|
* **安全性風險**：如果被用於攻擊性目的，可能繞過基於 CAPTCHA 的人機驗證，構成安全風險。 |
|
|
* **魯棒性限制**：儘管使用了數據增強，模型對於極端的圖像失真、遮擋或對抗性攻擊可能仍然比較脆弱。 |
|
|
|
|
|
|
|
|
### Recommendations |
|
|
|
|
|
強烈建議使用者在使用此模型前，充分了解其能力邊界和潛在風險。對於任何安全敏感的應用，不應依賴此模型作為唯一的防護措施。建議在使用或微調此模型時，對目標數據進行充分的評估和錯誤分析。 |
|
|
|
|
|
## How to Get Started with the Model |
|
|
|
|
|
稍後會上傳訓練時使用的程式檔案 |
|
|
|
|
|
|
|
|
## Training Details |
|
|
|
|
|
### Training Data |
|
|
|
|
|
模型主要在 [gary109/captcha-synth-v3](https://www.google.com/search?q=https://huggingface.co/datasets/gary109/captcha-synth-v3) 數據集的 train split (約 120 萬張圖片) 上進行訓練。 |
|
|
該數據集包含帶有標籤的合成驗證碼圖片。 |
|
|
### Training Procedure |
|
|
|
|
|
<!-- This relates heavily to the Technical Specifications. Content here should link to that section when it is relevant to the training procedure. --> |
|
|
|
|
|
#### Preprocessing [optional] |
|
|
|
|
|
訓練和驗證數據都經過了以下預處理： |
|
|
|
|
|
1. **灰階轉換**：將圖片轉換為單通道灰階圖。 |
|
|
2. **保持長寬比縮放與填充 (PadAndResize)**：將圖片縮放到 50x200，同時保持原始長寬比，不足部分用黑色 (0) 填充。 |
|
|
3. **轉換為 Tensor**。 |
|
|
4. **歸一化**：將像素值歸一化到 \[-1, 1\] 範圍。 |
|
|
|
|
|
在微調階段，訓練集還額外應用了**數據增強**，包括： |
|
|
|
|
|
* RandomAffine: 隨機旋轉 (±8°)、平移 (±10%)、縮放 (±10%)、錯切 (±5°)。 |
|
|
* RandomPerspective: 隨機透視變換。 |
|
|
* ColorJitter: 隨機調整亮度和對比度。 |
|
|
* RandomErasing: 隨機擦除圖片的一小塊區域。 |
|
|
|
|
|
|
|
|
#### Training Hyperparameters |
|
|
見config |
|
|
|
|
|
|
|
|
#### Testing Data |
|
|
|
|
|
<!-- This should link to a Dataset Card if possible. --> |
|
|
|
|
|
[More Information Needed] |
|
|
|
|
|
#### Factors |
|
|
未進行特定子群體或領域的分解評估。 |
|
|
|
|
|
#### Metrics |
|
|
主要評估指標是 **完全匹配準確率 (Exact Match Accuracy)**：模型輸出的文字序列與真實標籤完全一致的樣本比例。同時，在分析中也考慮了錯誤類型（長度不匹配、替換錯誤、複雜錯誤）和字元替換混淆矩陣。 |
|
|
|
|
|
|
|
|
## Environmental Impact |
|
|
|
|
|
<!-- Total emissions (in grams of CO2eq) and additional considerations, such as electricity usage, go here. Edit the suggested text below accordingly --> |
|
|
|
|
|
Carbon emissions can be estimated using the [Machine Learning Impact calculator](https://mlco2.github.io/impact#compute) presented in [Lacoste et al. (2019)](https://arxiv.org/abs/1910.09700). |
|
|
|
|
|
- **Hardware Type:** RTX 5070 Ti |
|
|
- **Hours used:** 5 |
|
|
|
|
|
|
|
|
### Model Architecture and Objective |
|
|
模型採用 CNN 作為視覺特徵提取器，隨後是一個多層 Transformer Encoder 負責序列建模。目標是通過 CTCLoss 最小化預測序列與真實標籤之間的差異。 |
|
|
[More Information Needed] |
|
|
|
|
|
|
|
|
#### Software |
|
|
|
|
|
* Python 3.13.6 |
|
|
* PyTorch 2.8.0+cu129 |
|
|
* Transformers 4.57.0 |
|
|
* Datasets 4.3.0 |
|
|
* CUDA 12.9 |
