极验 v4 点选验证码图像与人工标注数据集

计算机视觉
0 下载
0 浏览
2026-11-11

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。

基本信息

记录数量未知
文件大小未知
文件格式jpg, png, jsonl, txt, py, yaml
数据来源LeapYa
数据规模原始题图 5059 组/张,4 字题 400 张,人工标注 802 张
标注数量2634 个框
字符覆盖777 个不同字符
许可CC BY 4.0(数据)/ MIT(代码)
来源LeapYa
数据落地页https://github.com/LeapYa/geetest-captcha-dataset
发布日期2026-11-11
验证码识别点选验证码字框检测单字识别人工标注

上架信息

数据集市运营
平台统一选品上架,经质量审核后公开
0 次下载

价格

免费