Model Card for Model ID
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 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
Preprocessing [optional]
訓練和驗證數據都經過了以下預處理：
- 灰階轉換：將圖片轉換為單通道灰階圖。
- 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。
- 轉換為 Tensor。
- 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
[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
Carbon emissions can be estimated using the
Machine Learning Impact calculator presented in
Lacoste et al. (2019).
- 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
