captcha_solver

Este projeto é uma solução completa para automação e resolução de CAPTCHAs utilizando inteligência artificial. Agora, o sistema suporta tanto CAPTCHAs de tamanho fixo (usando CNN) quanto de tamanho variável (usando CRNN com CTC Loss). O fluxo cobre desde a coleta de dados, preprocessamento automático, aumento de dados, treinamento, avaliação, exportação para dispositivos móveis e interface gráfica para uso prático.

---

📁 Estrutura do Projeto

├── analysis/
│   └── plot_training.py
├── captcha_generator/
│   ├── generate_captcha.py
│   ├── fonts/
│   │   └── DejaVuSans.ttf
│   └── output/
├── dataset/
│   ├── test/
│   └── train/
├── notebooks/
│   ├── error_analysis.ipynb
│   └── exploratory_analysis.ipynb
├── src/
│   ├── __init__.py
│   ├── augment.py
│   ├── collector.py
│   ├── evaluate.py
│   ├── export.py
│   ├── gui_app.py
│   ├── model_crnn.py
│   ├── model.py
│   ├── predict.py
│   ├── preprocess.py
│   ├── train_ctc.py
│   └── train.py
├── captcha_model.h5
├── captcha_model.tflite
├── LICENSE
├── README.md
├── run_all.py
├── training_history.npy

---

⚙️ Requisitos

pip install tensorflow keras opencv-python numpy matplotlib albumentations pillow

---

Como funciona?

O fluxo principal do projeto é:

1. Coleta de dados: Captura manual de CAPTCHAs rotulados para criar o dataset.
2. Preprocessamento: As imagens são convertidas para tons de cinza, redimensionadas, binarizadas e suavizadas para facilitar o reconhecimento.
3. Aumento de dados (Augmentation): Aplica distorções e filtros para simular variações e aumentar a base de dados.
4. Treinamento dos modelos: Dois modelos são treinados:
   • CNN: Para CAPTCHAs de tamanho fixo (5 caracteres).
   • CRNN + CTC Loss: Para CAPTCHAs de tamanho variável.
5. Avaliação: Mede a acurácia dos modelos comparando as predições com os rótulos reais.
6. Exportação: Converte o modelo treinado para o formato .tflite para uso em dispositivos móveis.
7. Interface gráfica: Permite ao usuário selecionar uma imagem e ver o resultado da predição.
8. Análise de dados e erros: Notebooks Jupyter para explorar o dataset e analisar o desempenho dos modelos.

Como usar

1. Coleta de Dados

Execute o script para coletar imagens de CAPTCHA e rotulá-las manualmente:

python src/collector.py

As imagens serão salvas em dataset/train/ com o nome do arquivo igual ao texto do CAPTCHA.

2. Preprocessamento

O preprocessamento é feito automaticamente durante o carregamento dos dados para treinamento e predição.

3. Aumento de Dados (opcional)

Implemente ou adapte o script src/augment.py para aumentar o conjunto de dados com variações das imagens originais.

4. Treinamento do Modelo

Para treinar o modelo CNN (fixo em 5 caracteres):

python src/train.py

Saída: captcha_model.h5

Para treinar o modelo CRNN (comprimento variável):

python src/train_ctc.py

Saída: captcha_crnn.h5

5. Avaliação

Avalie o desempenho do modelo CNN:

python src/evaluate.py

6. Predição

Faça a predição do texto de um CAPTCHA a partir de uma imagem:

python src/predict.py caminho/da/imagem.png

7. Interface Gráfica

Abra a interface gráfica para selecionar uma imagem e ver o resultado da IA:

python src/gui_app.py

8. Exportação para TFLite

Converta o modelo .h5 para .tflite para uso em apps móveis:

python src/export.py

9. Análises (Jupyter)

Utilize os notebooks para:

• Explorar os dados: notebooks/exploratory_analysis.ipynb
• Analisar erros e acurácia: notebooks/error_analysis.ipynb

10. Workflow automatizado

Para executar todas as etapas (exceto coleta manual) em sequência:

python run_all.py

---

✨ Possíveis Melhorias

• Uso de OCR + aprendizado semi-supervisionado
• Treinamento com mais dados rotulados via serviço externo (2Captcha, AntiCaptcha)
• Adição de quantização na exportação .tflite
• Versão com FastAPI para inferência web

---

👨‍💻 Autor

Este projeto foi estruturado para aprendizado e automação de CAPTCHAs com inteligência artificial e é mantido por [Israel Neto].

---

Pronto para usar ou expandir com base nas suas necessidades!