# captcha数据使用说明 

## 数据概览 

本数据集包含8类专用验证码数据，每类任务包含2k条数据，用于训练多模态验证码识别模型。 

| 任务类型 | SFT数据文件                    | 图像数据目录             |
| -------- | ------------------------------ | ------------------------ |
| 图片连接 | `captcha_connect_icon.jsonl`   | `captcha/connect_icon`   |
| 按序点击 | `click_order_dataset.jsonl`    | `captcha/click_order`    |
| 坐标定位 | `coordinates_dataset.jsonl`    | `captcha/coordinates`    |
| 飞镖计数 | `dart_counting_dataset.jsonl`  | `captcha/dart_counting`  |
| 骰子计数 | `dice_counting_dataset.jsonl`  | `captcha/dice_counting`  |
| 图像选择 | `image_select_dataset.jsonl`   | `captcha/image_select`   |
| 区域选择 | `patch_select_dataset.jsonl`   | `captcha/patch_select`   |
| 旋转匹配 | `rotation_match_dataset.jsonl` | `captcha/rotation_match` |

## 数据结构说明

### 文件组织形式

- **图像文件夹**：每个样本使用独立文件夹管理
- **样本文件夹内容**：
  - SFT训练所需的图片文件
  - 一个JSON配置文件，包含：
    - 各按钮的位置信息
    - 训练标签值
    - 测试时的辅助信息

> **注意**：如果仅用于模型训练，可以忽略JSON配置文件。该文件主要用于SFT数据制作和测试集信息提供。

## TuningFactory配置示例

在TuningFactory中使用该数据集进行SFT训练时，`dataset_info.json` 的配置方式如下：

```python
"captcha_image_select": {
  "file_name": "/data/cpfs_0/wangpengcheng/data/image_select_dataset.jsonl",
  "formatting": "sharegpt",
  "columns": {
    "messages": "conversations",
    "system": "system",
    "image": "image"
  },
  "tags": {
    "role_tag": "role",
    "content_tag": "content",
    "user_tag": "user",
    "assistant_tag": "assistant"
  }
}
```

## 使用建议

1. **数据路径**：请根据实际存储位置修改配置文件中的 `file_name` 路径
2. **批处理**：可以根据计算资源情况调整批处理大小和训练策略