当前版本为 1.3.0
想必很多做验证码的新手，一定头疼碰到点选类型的图像，做样本费时费力，神经网络不会写，训练设备太昂贵，模型效果又不好。
市场上常见的点选类验证码图片如下图所示
那么今天，他来了，ddddocr 带着重磅更新大摇大摆的走来了。
ddddocr 是由 sml2h3 开发的专为验证码厂商进行对自家新版本验证码难易强度进行验证的一个 python 库，其由作者与 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 奉行着开箱即用、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
本次更新其实分为两部分，其中有一部分是在 1.2.0 版本就已经更新了，但是在这里还是有必要提一下的。
在 1.2.0 开始，ddddocr 的识别部分进行了一次 beta 更新，主要更新在于网络结构主体的升级，其训练数据并没有发生过多的改变，所以理论上在识别结果上，原先可能识别效果的很好的图形在 1.2.0 上有一小部分概率会有一定程度的下降，也有可能原本识别不好的图形在 1.2.0 之后效果却变得特别好。 测试代码：
import ddddocr
ocr = ddddocr.DdddOcr()
with open("test.jpg", 'rb') as f:
image = f.read()
res = ocr.classification(image)
print(res)
OCR 部分应该已经有很多人做了测试，在这里就放一部分网友的测试图片。
在本次 1.3.0 的更新中，目标检测部分隆重登场！ 目标检测部分同样也是由大量随机合成数据训练而成，对于现在已有的点选验证码图片或者未知的验证码图片都有可能具备一定的识别能力，适用于文字点选和图标点选。 简单来说，对于点选类的验证码，可以快速的检测出图片上的文字或者图标。
import ddddocr
import cv2
det = ddddocr.DdddOcr(det=True)
with open("test.jpg", 'rb') as f:
image = f.read()
poses = det.detection(image)
print(poses)
im = cv2.imread("test.jpg")
for box in poses:
x1, y1, x2, y2 = box
im = cv2.rectangle(im, (x1, y1), (x2, y2), color=(0, 0, 255), thickness=2)
cv2.imwrite("result.jpg", im)
举些例子：
以上只是目前我能找到的点选验证码图片，做了一个简单的测试。
python <= 3.9
Windows/Linux/Macos..
暂时不支持 Macbook M1(X)，M1(X)用户需要自己编译 onnxruntime 才可以使用
pip install ddddocr
以上命令将自动安装符合自己电脑环境的最新 ddddocr
这是一个专为移动设备优化的页面（即为了让你能够在 Google 搜索结果里秒开这个页面），如果你希望参与 V2EX 社区的讨论，你可以继续到 V2EX 上打开本讨论主题的完整版本。
V2EX 是创意工作者们的社区，是一个分享自己正在做的有趣事物、交流想法，可以遇见新朋友甚至新机会的地方。
V2EX is a community of developers, designers and creative people.