极验 v4 点选验证码图像与人工标注数据集
数据集简介
里面有什么
数据集围绕极验 v4 点选验证码组织,覆盖 phrase、word、icon 三类题型的真实抓取底图与题面小图,并附有人工框选标注和裁切好的单字样本。三类原始题图按题型分别存放在 raw/phrase/、raw/word/、raw/icon/ 下,其中 word 与 icon 目录采用「底图 + 题面小图」的成组命名,例如 captcha_00001_bg.jpg 与 _ques_0~2.png 配套出现。
除原始题图外,数据集还单独整理了 2026 年 10 月改版后的 4 字题图像,放在 images/live4_4char/,共 400 张,用于覆盖新版题型下的字形与布局变化。裁切单字样本则按来源拆分:local 部分 879 张、覆盖 415 个字符,public 部分 1032 张、覆盖 451 个字符,合计 1911 张、777 个不同字符,并带有来源标记,便于按来源筛选或分桶评估。
标注分布
人工标注覆盖 802 张图像、共 2634 个框,标注对象为验证码中的单字位置与字符内容。标注文件以 JSONL 组织,按题型与新版 4 字题分别存放:data/phrase_annotations.jsonl、data/boxes_word.jsonl、data/boxes_icon.jsonl 以及 data/live4_boxes.jsonl;新版 4 字题的题面文本另存于 data/live4_phrases.txt。
每条标注记录包含图像名、框列表与语序信息,框内字段为 x、y、w、h 与 char,分别表示框的位置、尺寸与对应字符;order 字段给出点选顺序,reviewed 字段记录该条是否经过复核。这样的字段设计让同一份标注既能用于字框检测,也能直接用于单字识别与语序还原。
目录结构
仓库按数据用途分层组织,主要目录与文件如下:
| 路径 | 内容 |
|---|---|
raw/phrase/ |
phrase 题型底图 |
raw/word/ |
word 题型底图与题面小图 |
raw/icon/ |
icon 题型底图与题面小图 |
images/live4_4char/ |
2026 年 10 月改版后的 4 字题图像 |
data/ |
各类 JSONL 标注、题面文本与数据清单 |
text_corpus/ |
文本语料 |
tools/ |
标注服务与格式转换脚本 |
data/ 下同时提供 all.txt、local.txt、public.txt 以及 train.txt、val.txt 等划分清单,另有 *_manifest.txt 记录文件级清单,方便按来源或按训练/验证划分直接读取。
标注格式
标注以 JSONL 逐行存储,一行对应一张图像。核心字段包括:
img:图像文件名,用于定位raw/或images/下的原图;boxes:框列表,每个框含x、y、w、h与char;order:点选语序,描述字符的先后顺序;reviewed:复核标记,标明该条标注是否经过人工复查。
需要转换为 YOLO 训练格式时,可直接使用 tools/jsonl_to_yolo.py 完成字段映射与目录生成。
数据来源
数据全部来自真实站点抓取,不含合成样本,标注为逐张人工完成而非自动生成。数据集整体为研究用途整理,其中验证码图片版权归原始站点所有。数据源为百度 AI Studio 数据集 222386,仓库由 LeapYa 维护。
数据特点
- 真实性:图像均来自极验 v4 真实站点,保留原始题型与题面样式;
- 人工标注:802 张图像、2634 个框均为逐张人工框选,带复核标记;
- 题型齐全:phrase、word、icon 三类题型齐备,并补充新版 4 字题 400 张;
- 字符覆盖广:裁切单字 1911 张、777 个不同字符,且区分 local 与 public 来源;
- 语序信息:标注中保留 order 字段,可支撑语序模型训练。
已知问题
数据集为研究用途整理,验证码图片版权归原始站点所有,使用时需注意授权边界;裁切单字按 local 与 public 两个来源分别统计,字符覆盖并不完全一致,跨来源训练时建议先核对字符集合。
快速开始
通过公开仓库获取数据:
git clone https://github.com/LeapYa/geetest-captcha-dataset
克隆后可直接读取 data/ 下的 JSONL 标注与 train.txt、val.txt 划分;如需 YOLO 格式,运行 tools/jsonl_to_yolo.py 转换即可。使用与再分发时需保留出处与作者 LeapYa。
用这份数据能到什么效果
数据集面向字框检测、单字识别与语序模型三类训练目标:框标注给出字符位置与尺寸,可训练检测模型定位验证码中的每个字;char 字段与裁切单字样本可训练单字识别;order 字段则支撑按点选顺序还原字符序列的语序模型。三类题型与新版 4 字题的并存,使模型可在不同题面布局与字形分布上接受训练。
标注工具
tools/label_server.py 提供标注服务,用于逐张框选并写入 JSONL;tools/jsonl_to_yolo.py 负责将 JSONL 标注转换为 YOLO 训练格式。两个脚本均以 MIT 许可开放。
训练格式
标注原生格式为 JSONL,字段与上文一致;经 tools/jsonl_to_yolo.py 转换后可得到 YOLO 常用的标签文件与目录结构。数据划分清单 train.txt、val.txt 可直接与转换后的标签配合使用。
许可
数据部分(raw/、images/、data/、text_corpus/)采用 CC BY 4.0 许可;代码部分(tools/)采用 MIT 许可。公开仓库可 git clone 获取,使用时需保留出处与作者 LeapYa。