---
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