第一步怎么做呢？我们怎么识别目标缺口到底在图片的哪个地方？

做爬虫的同学肯定对验证码有些苦恼。一开始，大部分验证码都是图形验证码。然而，在过去的几年里，“极限检查”验证码诞生了，行为验证码也越来越流行。其中一种形式是滑块验证码。

什么是滑块验证码？如图，验证码是一个长方形的图片，图片左侧会出现一个滑块，右侧会出现一个缝隙，下侧会出现一个滑轨。左侧的滑块将随着滑轨的拖动而移动。如果左边的滑块可以滑到右边的槽口，则验证完成。

由于这种形式的验证码交互更加友好，安全性和美观性也会更高，所以这种验证码越来越流行。此外，不仅是“Extreme Check”，其他很多验证码服务商也推出了类似的验证码服务，比如“网易易盾”等。上图为“网易易盾”的滑动验证码”。

是的，确实这个滑动验证码的出现让很多网站变得更加安全。但是爬虫很困扰。如果用自动化的方法绕过这个滑动验证码，关键在于以下两点：

• 找到目标间隙的位置。• 模拟人的滑动轨迹以将滑块滑动到槽口。

那么问题来了，第一步是什么？

我们如何确定目标差距在图片中的位置？你可能想到的答案是：

• 直接用手穿梭。• 使用图像处理算法检测间隙特征。• 与打码平台对接，获取缝隙位置。

另外，对于捷讯来说，还有另外一种识别gap的方法，就是比较原图和gap图的差异，通过遍历像素点找到gap的位置，不过这种方法比较投机。如果我们更换验证码服务商，不给我们原图，我们将无法比较计算。

总之易语言过滑块验证思路，我们的目标是输入一张图片，输出缝隙的位置。

上述方法要么费时费力，要么准确率不高。还有其他解决方案吗？

当然有。

在深度学习如此火爆的今天，基于深度学习的图像识别技术发展相对成熟。那么我们可以用它来识别缝隙的位置吗？

答案是，没问题，我们只需要将这个问题简化为深度学习的“对象检测”问题。

听到这里，现在可能有的同学已经灰心了，深度学习？如果我还没有完成我的浅层学习怎么办？

不用担心。

本节介绍的内容，全程没有一行代码，不需要任何深度学习基础。我们只需要稍微移动一下，就可以构建一个识别验证码差距的深度学习模型。

如此惊人？是的，那么在本节中，我将带您实现它。

目标检测

首先，在开始之前先简单说一下目标检测。什么是物体检测？顾名思义，就是找到我们要找的东西。比如给一张“狗”的图片，如图：

我们想知道狗在哪里，它的舌头在哪里，如果找到了，我们可以选择它们。这是物体检测。

经过目标检测算法处理后，我们期望得到的图片是这样的：

可以看出，狗和它的舌头是通过框选出来的，这样就完成了一个很好的目标检测。

现在比较流行的目标检测算法有R-CNN、Fast R-CNN、Faster R-CNN、SSD、YOLO等，有兴趣的同学可以了解一下。当然，他们不懂也没关系。

还有一点要提的是，不懂深度学习的同学可以看一下，懂的就跳过下一段。

既然我们要建立一个模型来实现一个物体检测算法，那么模型怎么知道我们要识别什么？就像上图一样，模型怎么知道我们要识别的是狗而不是草，是舌头而不是鼻子。这是因为，既然叫深度学习，就一定有东西要学。因此，构建深度学习模型需要训练数据。什么都不告诉模型，模型从哪里学习？所以我们要提前准备一些标注位置的图片供模型学习（训练），比如准备很多狗的图片和狗的轮廓位置，模型会自动学习两者之间的关系训练过程中的图片和标记位置。模型训练好后，

因此，在迁移到验证码差距识别的任务时，我们的第一步是为模型提供一些训练数据。训练数据包括验证码的图片和缝隙的位置和轮廓信息。

那么，在这种情况下易语言过滑块验证思路，第一步是准备一批验证码数据，用于标记和训练。

准备训练数据

这里我用的是网易易盾的验证码，链接是：.

我写了一些爬虫爬下来的验证码图片。攀爬方法我就不赘述了，简单粗暴地做。

爬下来的验证码是这样的：

我们不需要滑轨的部分，只保留验证码本身的图片和上面的两个缝隙。下面是我准备的验证码的一些图片：

我爬了大约一千，越多越好。当然，对于今天的任务，其实几十上百张图就够了。

标记间隙位置

下一步是标记间隙的位置。想一想，这一步好不容易搞定，难道还要每张图都去量一下吗？这很累。

很多同学可能会在这一步望而却步，更别提后面的模型训练了。

但正如我们在文章开头所说，我们不需要编写一行代码，只需点击几下即可构建模型。怎么做？我们可以使用一些平台和工具。

今天的主角华为云ModelArts来了。这是我发现的一个华为云的深度学习平台。有了它，我们就可以完成数据标注、模型训练、模型部署三个步骤。最重要的是，我们不需要写代码，直接点击即可完成。

我们进入华为云ModelArts看看：

它内置了深度学习模型，包括图像分类、物体检测、预测分析等，我们可以直接使用它们来快速构建自己的模型。

这里我们切换到“自动学习”选项卡并创建一个对象检测项目。

进入项目，可以看到顶部显示了三个步骤：

• 数据标注 • 模型训练 • 在线部署

也就是说，经过这三个步骤，我们就可以构建和部署一个深度学习模型。

页面如图所示：

那么我们就进入第一步——数据标注。这里我上传了一些验证码的图片到页面，这里我上传了112张图片：

上传后，我们可以点击每张图片进行标记。该平台提供了非常方便的标注功能。它只需要用鼠标拖动一个轮廓即可完成。标记112张图片仅需几分钟。选择这样一个轮廓就行了，如图：

在这里，需要选择整个间隙的整个框架。上下边框可以与标注框架相切。简而言之，确保标注框架只选择间隙框架。平台会自动保存并记录标记的像素。点位置。

标记一个后，它会提示添加一个名称。我这里加的名字叫做“边界”，可以随意指定。

完成所有标记后，单击“保存并返回”按钮。

火车

好了，标注好之后，我们就可以开始训练了。我们这里不需要写任何代码，因为平台已经给我们写好了，内置目标检测的深度学习模型，我们只需要提供数据进行训练，如图：

在这里，我们只需要设置“Maximum Training Duration”。其实有了这样一张图，几分钟就可以完成训练。您可以随意填写“Maximum Training Duration”。最小不小于0.05，完成。然后您可以单击“开始训练”按钮进行训练。

几分钟后，训练完成，可以看到类似下图的页面：

此处显示了模型的各种参数和指标。

是的，你没看错，我们没有编写任何代码，并且在短短几分钟内，模型就被训练好并准备好上线了。

部署测试

然后进行下一步，在线部署，点击左上角的部署按钮即可：

过一会，部署成功后，可以看到类似这样的界面：

在这里，我们可以上传任何验证码图像进行测试。比如我随意上传一张无标签的验证码图片，然后它会展示给我们预测结果，如图：

可以看到，它检测到间隙的位置，并在右侧显示具体的像素值和置信度：

是的，测试结果还是比较准确的。有了这个结果，我们接下来模拟滑动到标注结果的左边框位置！具体的仿真过程在此不再赘述。

另外，平台还提供了模型部署后的URL接口和接口调用指南，即我们只需要上传任意一张验证码图片到接口，就可以得到缝隙的位置！调用方法可以在：.

嗯，就是这样，我们用非常简单的操作在几分钟内搭建了一个深度学习模型，没有任何代码，准确率也不错。

当然，这里我们只标注了100多张图片。标记越多，标记越准确，模型的准确性越高。