Ecosyste.ms: Awesome

An open API service indexing awesome lists of open source software.
Awesome Lists | Featured Topics | Projects
https://github.com/sml2h3/ddddocr

带带弟弟通用验证码识别OCR pypi版
https://github.com/sml2h3/ddddocr
captcha ddddocr ocr
Last synced: 6 days ago
JSON representation
带带弟弟通用验证码识别OCR pypi版
Host: GitHub
URL: https://github.com/sml2h3/ddddocr
Owner: sml2h3
License: mit
Created: 2021-07-14T09:00:06.000Z (over 3 years ago)
Default Branch: master
Last Pushed: 2024-05-20T09:24:29.000Z (6 months ago)
Last Synced: 2024-05-20T10:27:36.826Z (6 months ago)
Topics: captcha, ddddocr, ocr
Language: Python
Homepage:
Size: 71.3 MB
Stars: 8,469
Watchers: 82
Forks: 1,554
Open Issues: 88
Metadata Files:
- Readme: README.md
- License: LICENSE
Awesome Lists containing this project

awesome - sml2h3/ddddocr - 带带弟弟通用验证码识别OCR pypi版 (Python)
awesome-hacking-lists - sml2h3/ddddocr - 带带弟弟通用验证码识别OCR pypi版 (Python)
README

        

# DdddOcr 带带弟弟OCR通用验证码离线本地识别SDK免费开源版

DdddOcr，其由 [本作者](https://github.com/sml2h3) 与 [kerlomz](https://github.com/kerlomz) 共同合作完成，通过大批量生成随机数据后进行深度网络训练，本身并非针对任何一家验证码厂商而制作，本库使用效果完全靠玄学，可能可以识别，可能不能识别。

DdddOcr、最简依赖的理念，尽量减少用户的配置和使用成本，希望给每一位测试者带来舒适的体验

项目地址： [点我传送](https://github.com/sml2h3/ddddocr) 

[![Contributors][contributors-shield]][contributors-url]

[![Forks][forks-shield]][forks-url]

[![Stargazers][stars-shield]][stars-url]

[![Issues][issues-shield]][issues-url]

[![MIT License][license-shield]][license-url]






  

    

  

  


    一个容易使用的通用验证码识别python库

    


    探索本项目的文档 »

    


    


    ·

    报告Bug

    ·

    提出新特性

  


 

## 目录

- [赞助合作商](#赞助合作商)

- [上手指南](#上手指南)

  - [环境支持](#环境支持)

  - [安装步骤](#安装步骤)

- [文件目录说明](#文件目录说明)

- [项目底层支持](#项目底层支持)

- [使用文档](#使用文档)

  - [基础ocr识别能力](#i-基础ocr识别能力)

  - [目标检测能力](#ii-目标检测能力)

  - [滑块检测](#ⅲ-滑块检测)

  - [OCR概率输出](#ⅳ-ocr概率输出)

  - [自定义OCR训练模型导入](#ⅴ-自定义ocr训练模型导入)

- [版本控制](#版本控制)

- [相关推荐文章or项目](#相关推荐文章or项目)

- [作者](#作者)

- [捐赠](#捐赠)

- [Star历史](#Star历史)

### 赞助合作商

|                                                            | 赞助合作商 | 推荐理由                                                                                             |

|------------------------------------------------------------|------------|--------------------------------------------------------------------------------------------------|

| ![YesCaptcha](https://cdn.wenanzhe.com/img/yescaptcha.png) | [YesCaptcha](https://yescaptcha.com/i/NSwk7i) | 谷歌reCaptcha验证码 / hCaptcha验证码 / funCaptcha验证码商业级识别接口 [点我](https://yescaptcha.com/i/NSwk7i) 直达VIP4 |

| ![超级鹰](https://cdn.wenanzhe.com/img/logo.gif) | [超级鹰](https://www.chaojiying.com/) | 全球领先的智能图片分类及识别商家，安全、准确、高效、稳定、开放，强大的技术及校验团队，支持大并发。7*24h作业进度管理 |

| ![Malenia](https://cdn.wenanzhe.com/img/malenia.png!/scale/50)    | [Malenia](https://malenia.iinti.cn/malenia-doc/) | Malenia企业级代理IP网关平台/代理IP分销软件 |

| 雨云VPS    | [注册首月5折](https://www.rainyun.com/ddddocr_) | 浙江节点低价大带宽，100M每月30元 |

### 上手指南

###### 环境支持

| 系统               | CPU | GPU | 最大支持py版本 | 备注                                                                 |

|------------------|-----|------|----------|--------------------------------------------------------------------|

| Windows 64位      | √   | √ | 3.12     | 部分版本windows需要安装vc运行库 |

| Windows 32位      | ×   | × | -        |                                                                    |

| Linux 64 / ARM64 | √   | √ | 3.12     |                                                                    |

| Linux 32         | ×   | × | -        |                                                                    |

| Macos  X64       | √   | √ | 3.12     | M1/M2/M3...芯片参考#67         |

###### **安装步骤**

**i. 从pypi安装** 

```sh

pip install ddddocr

```

**ii. 从源码安装**

```sh

git clone https://github.com/sml2h3/ddddocr.git

cd ddddocr

python setup.py

```

**请勿直接在ddddocr项目的根目录内直接import ddddocr**，请确保你的开发项目目录名称不为ddddocr，此为基础常识。

### 文件目录说明

eg:

```

ddddocr 

├── MANIFEST.in

├── LICENSE

├── README.md

├── /ddddocr/

│  │── __init__.py            主代码库文件

│  │── common.onnx            新ocr模型

│  │── common_det.onnx        目标检测模型

│  │── common_old.onnx        老ocr模型

│  │── logo.png

│  │── README.md

│  │── requirements.txt

├── logo.png

└── setup.py

```

### 项目底层支持 

本项目基于[dddd_trainer](https://github.com/sml2h3/dddd_trainer) 训练所得，训练底层框架位pytorch，ddddocr推理底层抵赖于[onnxruntime](https://pypi.org/project/onnxruntime/)，故本项目的最大兼容性与python版本支持主要取决于[onnxruntime](https://pypi.org/project/onnxruntime/)。

### 使用文档

##### i. 基础ocr识别能力

主要用于识别单行文字，即文字部分占据图片的主体部分，例如常见的英数验证码等，本项目可以对中文、英文（随机大小写or通过设置结果范围圈定大小写）、数字以及部分特殊字符。

```python

# example.py

import ddddocr

ocr = ddddocr.DdddOcr()

image = open("example.jpg", "rb").read()

result = ocr.classification(image)

print(result)

```

本库内置有两套ocr模型，默认情况下不会自动切换，需要在初始化ddddocr的时候通过参数进行切换

```python

# example.py

import ddddocr

ocr = ddddocr.DdddOcr(beta=True)  # 切换为第二套ocr模型

image = open("example.jpg", "rb").read()

result = ocr.classification(image)

print(result)

```

**提示**

对于部分透明黑色png格式图片得识别支持: `classification` 方法 使用 `png_fix` 参数，默认为False

```python

 ocr.classification(image, png_fix=True)

```

**注意**

之前发现很多人喜欢在每次ocr识别的时候都重新初始化ddddocr，即每次都执行```ocr = ddddocr.DdddOcr()```，这是错误的，通常来说只需要初始化一次即可，因为每次初始化和初始化后的第一次识别速度都非常慢

**参考例图**

包括且不限于以下图片




























##### ii. 目标检测能力

主要用于快速检测出图像中可能的目标主体位置，由于被检测出的目标不一定为文字，所以本功能仅提供目标的bbox位置 **（在⽬标检测⾥，我们通常使⽤bbox（bounding box，缩写是 bbox）来描述⽬标位置。bbox是⼀个矩形框，可以由矩形左上⻆的 x 和 y 轴坐标与右下⻆的 x 和 y 轴坐标确定）** 

如果使用过程中无需调用ocr功能，可以在初始化时通过传参`ocr=False`关闭ocr功能，开启目标检测需要传入参数`det=True`

```python

import ddddocr

import cv2

det = ddddocr.DdddOcr(det=True)

with open("test.jpg", 'rb') as f:

    image = f.read()

bboxes = det.detection(image)

print(bboxes)

im = cv2.imread("test.jpg")

for bbox in bboxes:

    x1, y1, x2, y2 = bbox

    im = cv2.rectangle(im, (x1, y1), (x2, y2), color=(0, 0, 255), thickness=2)

cv2.imwrite("result.jpg", im)

```

**参考例图**

包括且不限于以下图片


















##### Ⅲ. 滑块检测

本项目的滑块检测功能并非AI识别实现，均为opencv内置算法实现。可能对于截图党用户没那么友好~，如果使用过程中无需调用ocr功能或目标检测功能，可以在初始化时通过传参`ocr=False`关闭ocr功能或`det=False`来关闭目标检测功能

本功能内置两套算法实现，适用于两种不同情况，具体请参考以下说明

**a.算法1**

算法1原理是通过滑块图像的边缘在背景图中计算找到相对应的坑位，可以分别获取到滑块图和背景图，滑块图为透明背景图

滑块图



背景图



```python

    det = ddddocr.DdddOcr(det=False, ocr=False)

    

    with open('target.png', 'rb') as f:

        target_bytes = f.read()

    

    with open('background.png', 'rb') as f:

        background_bytes = f.read()

    

    res = det.slide_match(target_bytes, background_bytes)

    

    print(res)

  ```

  由于滑块图可能存在透明边框的问题，导致计算结果不一定准确，需要自行估算滑块图透明边框的宽度用于修正得出的bbox

  *提示：如果滑块无过多背景部分，则可以添加simple_target参数， 通常为jpg或者bmp格式的图片*

```python

    slide = ddddocr.DdddOcr(det=False, ocr=False)

    

    with open('target.jpg', 'rb') as f:

        target_bytes = f.read()

    

    with open('background.jpg', 'rb') as f:

        background_bytes = f.read()

    

    res = slide.slide_match(target_bytes, background_bytes, simple_target=True)

    

    print(res)

  ```

**a.算法2**

算法2是通过比较两张图的不同之处进行判断滑块目标坑位的位置

参考图a，带有目标坑位阴影的全图



参考图b，全图



```python

    slide = ddddocr.DdddOcr(det=False, ocr=False)

    with open('bg.jpg', 'rb') as f:

        target_bytes = f.read()

    

    with open('fullpage.jpg', 'rb') as f:

        background_bytes = f.read()

    

    img = cv2.imread("bg.jpg")

    

    res = slide.slide_comparison(target_bytes, background_bytes)

    print(res)

  ```

##### Ⅳ. OCR概率输出

为了提供更灵活的ocr结果控制与范围限定，项目支持对ocr结果进行范围限定。

可以通过在调用`classification`方法的时候传参`probability=True`，此时`classification`方法将返回全字符表的概率

当然也可以通过`set_ranges`方法设置输出字符范围来限定返回的结果。

Ⅰ. `set_ranges` 方法限定返回字符返回

本方法接受1个参数，如果输入为int类型为内置的字符集限制，string类型则为自定义的字符集

如果为int类型，请参考下表

| 参数值 | 意义                                |

|-----|-----------------------------------|

| 0   | 纯整数0-9                            |

| 1   | 纯小写英文a-z                          |

| 2   | 纯大写英文A-Z                          |

| 3   | 小写英文a-z + 大写英文A-Z                 |

| 4   | 小写英文a-z + 整数0-9                   |

| 5   | 大写英文A-Z + 整数0-9                   |

| 6   | 小写英文a-z + 大写英文A-Z + 整数0-9         |

| 7   | 默认字符库 - 小写英文a-z - 大写英文A-Z - 整数0-9 |

如果为string类型请传入一段不包含空格的文本，其中的每个字符均为一个待选词

如：`"0123456789+-x/=""`

```python

import ddddocr

ocr = ddddocr.DdddOcr()

image = open("test.jpg", "rb").read()

ocr.set_ranges("0123456789+-x/=")

result = ocr.classification(image, probability=True)

s = ""

for i in result['probability']:

    s += result['charsets'][i.index(max(i))]

print(s)

```

##### Ⅴ. 自定义OCR训练模型导入

本项目支持导入来自于 [dddd_trainer](https://github.com/sml2h3/dddd_trainer) 进行自定义训练后的模型，参考导入代码为

```python

import ddddocr

ocr = ddddocr.DdddOcr(det=False, ocr=False, import_onnx_path="myproject_0.984375_139_13000_2022-02-26-15-34-13.onnx", charsets_path="charsets.json")

with open('test.jpg', 'rb') as f:

    image_bytes = f.read()

res = ocr.classification(image_bytes)

print(res)

```

### 版本控制

该项目使用Git进行版本管理。您可以在repository参看当前可用版本。

### 相关推荐文章or项目

[带带弟弟OCR，纯VBA本地获取网络验证码整体解决方案](https://club.excelhome.net/thread-1666823-1-1.html)

[ddddocr rust 版本](https://github.com/86maid/ddddocr)

[captcha-killer的修改版](https://github.com/f0ng/captcha-killer-modified)

[通过ddddocr训练字母数字验证码模型并识别部署调用](https://www.bilibili.com/video/BV1ez421C7dB)

...

欢迎更多优秀案例或教程等进行投稿，可直接新建issue标题以【投稿】开头，附上公开教程站点链接，我会选择根据文章内容选择相对不重复或者有重点内容等进行readme展示，感谢各位朋友~

### 作者

[email protected]

 



 *好友数过多不一定通过，有问题可以在issue进行交流*

### 版权说明

该项目签署了MIT 授权许可，详情请参阅 [LICENSE](https://github.com/sml2h3/ddddocr/blob/master/LICENSE)

### 捐赠 （如果项目有帮助到您，可以选择捐赠一些费用用于ddddocr的后续版本维护，本项目长期维护）





[your-project-path]:sml2h3/ddddocr

[contributors-shield]: https://img.shields.io/github/contributors/sml2h3/ddddocr?style=flat-square

[contributors-url]: https://github.com/shaojintian/Best_README_template/graphs/contributors

[forks-shield]: https://img.shields.io/github/forks/sml2h3/ddddocr?style=flat-square

[forks-url]: https://github.com/shaojintian/Best_README_template/network/members

[stars-shield]: https://img.shields.io/github/stars/sml2h3/ddddocr?style=flat-square

[stars-url]: https://github.com/shaojintian/Best_README_template/stargazers

[issues-shield]: https://img.shields.io/github/issues/sml2h3/ddddocr?style=flat-square

[issues-url]: https://img.shields.io/github/issues/sml2h3/ddddocr.svg

[license-shield]: https://img.shields.io/github/license/sml2h3/ddddocr?style=flat-square

[license-url]: https://github.com/sml2h3/ddddocr/blob/master/LICENSE

### Star 历史

[![Star History Chart](https://api.star-history.com/svg?repos=sml2h3/ddddocr&type=Date)](https://star-history.com/#sml2h3/ddddocr&Date)