project-sloth/captcha-images

---
dataset_info:
features:
- name: image
dtype: image
- name: solution
dtype: string
splits:
- name: train
num_bytes: 24564698
num_examples: 6000
- name: validation
num_bytes: 8195367
num_examples: 2000
- name: test
num_bytes: 8186295
num_examples: 2000
download_size: 28857965
dataset_size: 40946360
license: wtfpl
task_categories:
- image-to-text
tags:
- captcha
- ocr
size_categories:
- 1K<n<10K
---

# Captcha dataset

## Data
Captcha images with solutions of exactly 6 digit numbers

## Splits
* Train: 6000 images
* Validation: 2000 images
* Test: 2000 images

## Example

dataset_info:
数据集信息（dataset_info）:
特征字段（features）:
- 名称（name）: 图像（image）
数据类型（dtype）: 图像（image）
- 名称（name）: 解算结果（solution）
数据类型（dtype）: 字符串（string）
划分集（splits）:
- 名称（name）: 训练集（train）
字节数（num_bytes）: 24564698
样本数（num_examples）: 6000
- 名称（name）: 验证集（validation）
字节数（num_bytes）: 8195367
样本数（num_examples）: 2000
- 名称（name）: 测试集（test）
字节数（num_bytes）: 8186295
样本数（num_examples）: 2000
下载大小（download_size）: 28857965
数据集总大小（dataset_size）: 40946360
许可证（license）: wtfpl
任务类别（task_categories）:
- 图像到文本（image-to-text）
标签（tags）:
- 验证码（captcha）
- OCR（Optical Character Recognition，光学字符识别）
规模类别（size_categories）:
- 1千<样本数<1万
---

# 验证码数据集

## 数据
本数据集涵盖解算结果为严格6位阿拉伯数字的验证码图像及其对应解算结果

## 数据集划分
* 训练集：6000张图像
* 验证集：2000张图像
* 测试集：2000张图像

## 示例

原始信息汇总

Captcha 数据集

数据

包含解决方案为6位数字的验证码图像。

特征

• image: 图像类型
• solution: 字符串类型

分割

• train: 6000 张图像，24564698 字节
• validation: 2000 张图像，8195367 字节
• test: 2000 张图像，8186295 字节

大小

• 下载大小: 28857965 字节
• 数据集大小: 40946360 字节

许可证

wtfpl

任务类别

• image-to-text

标签

• captcha
• ocr

大小类别

• 1K<n<10K

搜集汇总

数据集介绍

构建方式

在验证码识别领域，数据集的构建需兼顾多样性与真实性。该数据集通过系统生成包含六位数字的验证码图像，确保每个样本均附带精确的文本标注。构建过程采用自动化流程，生成了总计一万张图像，并依据机器学习标准划分为训练集、验证集和测试集，其中训练集包含六千张图像，验证集与测试集各两千张，为模型训练与评估提供了结构化基础。

特点

该数据集的核心特征在于其专注于六位数字验证码，图像与文本标签一一对应，结构清晰。所有图像均以统一格式存储，支持直接加载与处理，且划分比例合理，便于进行模型训练、验证与测试。数据规模适中，涵盖万张样本，既满足了深度学习的数据需求，又避免了处理过大规模数据的复杂性，适用于图像到文本任务的基准研究。

使用方法

使用该数据集时，研究者可借助HuggingFace平台直接加载，利用其预定义的分割进行模型开发。图像数据可直接输入视觉模型，而文本标签则用于监督学习中的目标输出。典型应用包括训练光学字符识别模型或验证码破解算法，通过迭代训练与验证集调优，最终在测试集上评估性能，推动验证码识别技术的进步。

背景与挑战

背景概述

在网络安全与人工智能交叉领域，验证码（CAPTCHA）识别一直是衡量机器视觉与文本理解能力的重要基准。project-sloth/captcha-images数据集由匿名研究者或机构于近年构建，专注于包含六位数字的验证码图像及其对应文本标签。该数据集的核心研究问题在于推动光学字符识别（OCR）技术在复杂、抗干扰场景下的鲁棒性发展，尤其针对验证码设计中常见的扭曲、噪声与背景干扰等防御机制。通过提供结构化的训练、验证与测试划分，该数据集为图像到文本转换任务提供了标准化评估资源，对自动化测试、安全系统评估及OCR算法优化等领域产生了实质性影响。

当前挑战

该数据集旨在解决验证码自动识别这一经典领域问题，其挑战主要源于验证码本身的设计复杂性：图像中数字常伴有随机扭曲、重叠、噪声点或背景图案，要求模型具备强大的抗干扰与特征解耦能力。在构建过程中，挑战包括确保数据多样性与真实性，例如模拟不同风格的验证码生成机制，同时维持标签的精确性以避免标注错误。此外，数据规模的限制（仅万张级别）可能对深度学习模型的泛化性能构成约束，需在有限样本下平衡模型的复杂度与过拟合风险。

常用场景

经典使用场景

在计算机视觉与光学字符识别领域，验证码图像数据集常被用于训练和评估自动识别系统。该数据集包含大量六位数字验证码图像及其对应标签，为研究人员提供了标准化的测试平台。通过模拟真实网络环境中的验证码挑战，该数据集能够有效检验模型在复杂背景、扭曲字符及噪声干扰下的识别能力，推动了图像到文本转换技术的进步。

解决学术问题

该数据集主要解决了验证码自动识别中的关键学术问题，包括字符分割、噪声去除以及变形文本的鲁棒性识别。在网络安全与人工智能交叉研究中，它帮助学者探索如何突破验证码设计的人机区分机制，从而深化对OCR技术局限性与改进方向的理解。其意义在于为反自动化攻击与验证码安全性评估提供了实证基础，促进了人机交互安全领域的理论发展。

衍生相关工作

围绕该数据集，衍生了一系列经典研究工作，包括基于深度学习的端到端验证码识别模型、对抗生成网络用于验证码生成与破解的对抗性研究，以及迁移学习在跨领域验证码识别中的应用。这些工作不仅推动了OCR技术的创新，还引发了关于人工智能伦理与网络安全的前沿讨论，为后续更复杂的验证码系统设计与破解方法提供了重要参考。