# CLAUDE.md - 验证码识别多模型系统 (CaptchaBreaker)

## 项目概述

构建一个本地验证码识别系统，采用 **调度模型 + 多专家模型** 的两级架构。调度模型负责分类验证码类型，专家模型负责具体识别。所有模型轻量化设计，最终导出 ONNX 用于部署。

## 技术栈

- Python 3.10+
- uv (包管理，依赖定义在 pyproject.toml)
- PyTorch 2.x (训练)
- ONNX + ONNXRuntime (推理部署)
- Pillow (图像处理)
- FastAPI (可选，提供 HTTP 识别服务)

## 项目结构

```
captcha-breaker/
├── CLAUDE.md
├── pyproject.toml               # 项目配置与依赖 (uv 管理)
├── config.py                    # 全局配置 (字符集、图片尺寸、路径等)
├── data/
│   ├── synthetic/               # 合成训练数据 (自动生成，不入 git)
│   │   ├── normal/              # 普通字符型
│   │   ├── math/                # 算式型
│   │   └── 3d/                  # 3D立体型
│   ├── real/                    # 真实验证码样本 (手动标注)
│   │   ├── normal/
│   │   ├── math/
│   │   └── 3d/
│   └── classifier/              # 调度分类器训练数据 (混合各类型)
├── generators/
│   ├── __init__.py
│   ├── base.py                  # 生成器基类
│   ├── normal_gen.py            # 普通字符验证码生成器
│   ├── math_gen.py              # 算式验证码生成器 (如 3+8=?)
│   └── threed_gen.py            # 3D立体验证码生成器
├── models/
│   ├── __init__.py
│   ├── lite_crnn.py             # 轻量 CRNN (用于普通字符和算式)
│   ├── classifier.py            # 调度分类模型
│   └── threed_cnn.py            # 3D验证码专用模型 (更深的CNN)
├── training/
│   ├── __init__.py
│   ├── train_classifier.py      # 训练调度模型
│   ├── train_normal.py          # 训练普通字符识别
│   ├── train_math.py            # 训练算式识别
│   ├── train_3d.py              # 训练3D识别
│   └── dataset.py               # 通用 Dataset 类
├── inference/
│   ├── __init__.py
│   ├── pipeline.py              # 核心推理流水线 (调度+识别)
│   ├── export_onnx.py           # PyTorch → ONNX 导出脚本
│   └── math_eval.py             # 算式计算模块
├── checkpoints/                 # 训练产出的模型文件
│   ├── classifier.pth
│   ├── normal.pth
│   ├── math.pth
│   └── threed.pth
├── onnx_models/                 # 导出的 ONNX 模型
│   ├── classifier.onnx
│   ├── normal.onnx
│   ├── math.onnx
│   └── threed.onnx
├── server.py                    # FastAPI 推理服务 (可选)
├── cli.py                       # 命令行入口
└── tests/
    ├── test_generators.py
    ├── test_models.py
    └── test_pipeline.py
```

## 核心架构设计

### 推理流水线

```
输入图片 → 预处理 → 调度分类器 → 路由到专家模型 → 后处理 → 输出结果
                         │
                ┌────────┼────────┐
                ▼        ▼        ▼
            normal     math      3d
            (CRNN)    (CRNN)   (CNN)
                │        │        │
                ▼        ▼        ▼
             "A3B8"  "3+8=?"→11  "X9K2"
```

### 调度分类器 (classifier.py)

- 任务: 图像分类，判断验证码属于哪个类型
- 架构: 轻量 CNN，3-4 层卷积 + 全局平均池化 + 全连接
- 输入: 灰度图 1x64x128
- 输出: softmax 概率分布，类别数 = 验证码类型数
- 要求: 准确率 99%+，推理 < 5ms
- 模型体积目标: < 500KB

```python
class CaptchaClassifier(nn.Module):
    """
    轻量分类器，几层卷积即可区分不同类型验证码。
    不同类型验证码视觉差异大（有无运算符、3D效果等），分类很容易。
    """
    def __init__(self, num_types=3):
        # 4层卷积 + GAP + FC
        # Conv2d(1,16) -> Conv2d(16,32) -> Conv2d(32,64) -> Conv2d(64,64)
        # AdaptiveAvgPool2d(1) -> Linear(64, num_types)
        pass
```

### 普通字符识别专家 (lite_crnn.py - normal 模式)

- 任务: 识别彩色字符验证码 (数字+字母混合)
- 架构: CRNN + CTC
- 字符集: `0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ` (36个，包含易混淆字符，按本地配置训练)
- 输入: 灰度图 1x40x120
- 输出: 字符序列，通过 CTC 贪心解码
- 验证码特征: 浅色背景、彩色字符、轻微干扰线、字符有倾斜
- 模型体积目标: < 2MB

### 算式识别专家 (lite_crnn.py - math 模式)

- 任务: 识别算式验证码并计算结果
- 架构: 复用 CRNN + CTC，字符集不同
- 字符集: `0123456789+-×÷=?` (数字+运算符)
- 输入: 灰度图 1x40x160 (算式通常更宽)
- 输出: 识别出算式字符串，然后交给 math_eval.py 计算
- 分两步: (1) OCR 识别 → "3+8=?" (2) 正则解析并计算 → 11
- 模型体积目标: < 2MB

```python
# math_eval.py 核心逻辑
def eval_captcha_math(expr: str) -> str:
    """
    解析并计算验证码算式。
    支持: 加减乘除，个位到两位数运算。
    输入: "3+8=?" 或 "12×3=?" 或 "15-7=?"
    输出: "11" 或 "36" 或 "8"
    用正则提取数字和运算符，不要用 eval()。
    """
    pass
```

### 3D立体识别专家 (threed_cnn.py)

- 任务: 识别带 3D 透视/阴影效果的验证码
- 架构: 更深的 CNN + CRNN，或 ResNet-lite backbone
- 输入: 灰度图 1x60x160
- 需要更强的特征提取能力来处理透视变形和阴影
- 模型体积目标: < 5MB

## 数据生成器规范

### 基类 (base.py)

```python
class BaseCaptchaGenerator:
    def generate(self, text=None) -> tuple[Image.Image, str]:
        """生成一张验证码，返回 (图片, 标签文本)"""
        raise NotImplementedError

    def generate_dataset(self, num_samples: int, output_dir: str):
        """批量生成，文件名格式: {label}_{index:06d}.png"""
        pass
```

### 普通字符生成器 (normal_gen.py)

模拟目标风格:
- 浅色随机背景 (RGB 各通道 230-255)
- 每个字符随机颜色 (深色: 蓝/红/绿/紫/棕等)
- 字符数量: 4-5 个
- 字符有 ±15° 随机旋转
- 2-5 条浅色干扰线
- 少量噪点
- 可选轻微高斯模糊

### 算式生成器 (math_gen.py)

- 生成形如 `A op B = ?` 的算式图片
- A, B 范围: 1-30 的整数
- op: +, -, ×  (除法只生成能整除的)
- 确保结果为非负整数
- 标签格式: `3+8` (存储算式本身，不存结果)
- 视觉风格: 与目标算式验证码一致

### 3D生成器 (threed_gen.py)

- 使用 Pillow 的仿射变换模拟 3D 透视
- 添加阴影效果
- 字符有深度感和倾斜
- 标签: 纯字符内容

## 训练规范

### 通用训练配置

```python
# config.py 中定义
TRAIN_CONFIG = {
    'classifier': {
        'epochs': 30,
        'batch_size': 128,
        'lr': 1e-3,
        'scheduler': 'cosine',
        'synthetic_samples': 30000,  # 每类 10000
    },
    'normal': {
        'epochs': 50,
        'batch_size': 128,
        'lr': 1e-3,
        'scheduler': 'cosine',
        'synthetic_samples': 60000,
        'loss': 'CTCLoss',
    },
    'math': {
        'epochs': 50,
        'batch_size': 128,
        'lr': 1e-3,
        'scheduler': 'cosine',
        'synthetic_samples': 60000,
        'loss': 'CTCLoss',
    },
    'threed': {
        'epochs': 80,
        'batch_size': 64,
        'lr': 5e-4,
        'scheduler': 'cosine',
        'synthetic_samples': 80000,
        'loss': 'CTCLoss',
    },
}
```

### 训练脚本要求

每个训练脚本必须:
1. 检查合成数据是否已生成，没有则自动调用生成器
2. 支持混合真实数据 (如果 data/real/{type}/ 有文件)
3. 使用数据增强: RandomAffine, ColorJitter, GaussianBlur, RandomErasing
4. 输出训练日志: epoch, loss, 整体准确率, 字符级准确率
5. 保存最佳模型到 checkpoints/
6. 训练结束自动导出 ONNX 到 onnx_models/

### 数据增强策略

```python
# 训练时增强
train_augment = transforms.Compose([
    transforms.Grayscale(),
    transforms.Resize((H, W)),
    transforms.RandomAffine(degrees=8, translate=(0.05, 0.05), scale=(0.95, 1.05)),
    transforms.ColorJitter(brightness=0.3, contrast=0.3),
    transforms.GaussianBlur(3, sigma=(0.1, 0.5)),
    transforms.ToTensor(),
    transforms.Normalize([0.5], [0.5]),
    transforms.RandomErasing(p=0.15, scale=(0.01, 0.05)),
])
```

## 推理流水线 (pipeline.py)

```python
class CaptchaPipeline:
    """
    核心推理流水线。
    加载调度模型和所有专家模型 (ONNX 格式)。
    提供统一的 solve(image) 接口。
    """

    def __init__(self, models_dir='onnx_models/'):
        """
        初始化加载所有 ONNX 模型。
        使用 onnxruntime.InferenceSession。
        """
        pass

    def preprocess(self, image: Image.Image, target_size: tuple) -> np.ndarray:
        """图片预处理: resize, grayscale, normalize, 转 numpy"""
        pass

    def classify(self, image: Image.Image) -> str:
        """调度分类，返回类型名: 'normal' / 'math' / '3d'"""
        pass

    def solve(self, image) -> str:
        """
        完整识别流程:
        1. 分类验证码类型
        2. 路由到对应专家模型
        3. 后处理 (算式型需要计算结果)
        4. 返回最终答案字符串
        
        image: PIL.Image 或文件路径或 bytes
        """
        pass
```

## ONNX 导出 (export_onnx.py)

```python
def export_model(model, model_name, input_shape, onnx_dir='onnx_models/'):
    """
    导出单个模型为 ONNX。
    - 使用 opset_version=18
    - 开启 dynamic_axes 支持动态 batch
    - 导出后用 onnxruntime 验证推理一致性
    - 可选: onnx 模型简化 (onnxsim)
    """
    pass

def export_all():
    """依次导出 classifier, normal, math, threed 四个模型"""
    pass
```

## CLI 入口 (cli.py)

```bash
# 安装依赖
uv sync                         # 核心依赖
uv sync --extra server           # 含 HTTP 服务依赖

# 生成训练数据
uv run python cli.py generate --type normal --num 60000
uv run python cli.py generate --type math --num 60000
uv run python cli.py generate --type 3d --num 80000
uv run python cli.py generate --type classifier --num 30000

# 训练模型
uv run python cli.py train --model classifier
uv run python cli.py train --model normal
uv run python cli.py train --model math
uv run python cli.py train --model 3d
uv run python cli.py train --all    # 按依赖顺序全部训练

# 导出 ONNX
uv run python cli.py export --all

# 推理
uv run python cli.py predict image.png                 # 自动分类+识别
uv run python cli.py predict image.png --type normal    # 跳过分类直接识别
uv run python cli.py predict-dir ./test_images/         # 批量识别

# 启动 HTTP 服务 (需先安装 server 可选依赖)
uv run python cli.py serve --port 8080
```

## HTTP 服务 (server.py，可选)

```python
# FastAPI 服务，提供 REST API
# POST /solve  - 上传图片，返回识别结果
# 请求: multipart/form-data，字段名 image
# 响应: {"type": "normal", "result": "A3B8", "confidence": 0.95, "time_ms": 45}
```

## 关键约束和注意事项

1. **所有模型用 float32 训练，导出 ONNX 时不做量化**，先保证精度
2. **CTC 解码统一用贪心解码**，不需要 beam search，验证码场景贪心够用
3. **字符集由 config.py 统一定义**: 当前 normal 保留易混淆字符，3d 继续使用去混淆字符集
4. **算式识别分两步**: 先 OCR 识别字符串，再用规则计算，不要让模型直接输出数值
5. **生成器的随机种子**: 生成数据时设置 seed 保证可复现
6. **真实数据文件名格式**: `{label}_{任意}.png`，label 部分是标注内容
7. **模型保存格式**: PyTorch checkpoint 包含 model_state_dict, chars, best_acc, epoch
8. **不使用 GPU 特有功能**，确保 CPU 也能训练和推理 (只是慢一些)
9. **类型扩展**: 新增验证码类型时，只需 (1) 加生成器 (2) 加专家模型 (3) 调度器加一个类别重新训练
10. **文档同步**: 对项目结构、配置、架构等做出变更时，必须同步更新 CLAUDE.md 中的对应内容，保持文档与代码一致

## 目标指标

| 模型 | 准确率目标 | 推理延迟 | 模型体积 |
|------|-----------|---------|---------|
| 调度分类器 | > 99% | < 5ms | < 500KB |
| 普通字符 | > 95% | < 30ms | < 2MB |
| 算式识别 | > 93% | < 30ms | < 2MB |
| 3D立体 | > 85% | < 50ms | < 5MB |
| 全流水线 | - | < 80ms | < 10MB 总计 |

## 开发顺序

1. 先实现 config.py 和 generators/
2. 实现 models/ 中所有模型定义
3. 实现 training/dataset.py 通用数据集类
4. 按顺序训练: normal → math → 3d → classifier
5. 实现 inference/pipeline.py 和 export_onnx.py
6. 实现 cli.py 统一入口
7. 可选: server.py HTTP 服务
8. 编写 tests/