单纯靠pytesseract或默认paddleocr识别真实网站验证码准确率通常低于40%，关键在于用目标站点样本进行数据驱动的定制化建模，因其反识别特征（粘连、噪点、形变等）使通用ocr失效。
直接说结论：单纯靠 pytesseract 或默认 PaddleOCR 模型识别真实网站的验证码，准确率通常低于 40%，尤其遇到扭曲粘连、点选、滑块类时基本失效；真正提升准确率的关键不是换库，而是「数据驱动的定制化建模」——即用目标站点的验证码样本训练专用模型。
为什么 pytesseract 和通用 OCR 模型在验证码上表现差？
它们设计初衷是识别印刷体文档，不是对抗性图像。真实验证码有明确的“反识别”特征：
- 字符笔画被故意粘连或断裂（
cv2.findContours分割失败） - 背景添加高频噪点或渐变色（干扰
cv2.threshold二值化阈值选择） - 字体随机倾斜 + 局部形变（
pytesseract.image_to_string无法对齐文字行） - 单张图含多个语义目标（如算术题中数字+运算符+等号，需结构理解而非纯 OCR）
必须自己标注并训练模型的三类场景
以下情况跳过「调参」和「预处理优化」，直接进入标注-训练流程：
-
ddddocr对同一站点连续 50 张验证码识别错误率 > 30% —— 说明其内置模型未覆盖该站字体/干扰模式 - 验证码含汉字、特殊符号（如「®」「℃」）或自定义图标 ——
PaddleOCR的lang="ch"模型不包含这些字形 - 属于「文字点选」「图标排序」类 —— 这已不是 OCR 问题，而是目标检测（
YOLOv8）+ 图像匹配（cv2.matchTemplate）+ 排序回归任务
训练前最关键的预处理动作
很多团队花两周调 cv2.adaptiveThreshold 参数，却忽略一个更底层问题：原始图片是否真能表达字符本质信息？
- 先用
cv2.imread(path, cv2.IMREAD_GRAYSCALE)读取，别用PIL.Image.open后转灰度——后者会引入插值伪影 - 不做全局二值化；改用局部自适应阈值：
cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2) - 对粘连字符，优先试
cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)膨胀再腐蚀，比轮廓分割更鲁棒 - 保存中间结果时统一用
.png格式，避免.jpg有损压缩引入新噪点
绕不开的标注与数据陷阱
实际项目中最耗时的不是写模型，而是让标注结果可复用：
- 不要手动用画图工具标字符边界框——用
labelme导出json后，脚本批量转为 YOLO 格式（class x_center y_center width height） - 每类字符至少采集 200 张独立样本，且必须包含「最差质量」的那 10%（模糊、低对比、强干扰）
- 验证集不能从训练集切分；必须另起一批时间窗口（如训练用 5 月数据，验证用 6 月新抓取的）——否则模型会记住噪声分布而非字符结构
真正难的不是模型结构，而是让每张图的像素变化都对应到可学习的特征空间。一旦开始标注，就别幻想「用迁移学习省数据」——验证码的对抗性太强，ResNet 底层卷积核几乎全要重训。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
