zhs刷课平台 题库对接 空间推理验证码 yolov8

Lady_Qianji
366 阅读9分钟

1. 前言

书接上文，继续完善刷课脚本。上周我们已经将共享课视频部分给过掉了，接下来我们要继续弄刷题部分。起初我以为这部分应该会很简单，只需要找到获取题目的接口，然后找一个第三方题库对接，最后再找到提交题目的接口，就可以美美的完成了！但是理想很丰满现实很骨感，中间还是遇到了不少困难，要不然我也不会在这一个点整整卡了一周哈哈哈哈。接下来我会一步一步的阐述我是如何解决这些问题的。

2.代码实现

2.1 题库选择

我们学校是不需要刷课的，我咨询了一下我的朋友，他说他的ocs刷课脚本使用的言溪题库，我也是直接搜索了一下

image.png

太好了，果然有API开发者文档，直接照着文档对接就完事了

心里是这么想的，但是在测试接口响应的时候发现了问题

image.png

就是这个多选题响应的时候，答案隔开的方式五花八门的，让人很烦恼

我也是找到了客服问了一下，客服说是早期收录不规范导致的，并把ocs平台的源码甩给我，让我自己看看照着改一改

image.png

很快就找到了可能分割的所有字符串类型，这个问题就解决了

2.2刷课平台响应题目格式不统一

我找了多门课并观察了一下他们的题目格式，发现既然都不统一

image.png

image.png

以上两张图是两门不同课程的题目模板

这个很明显是将服务器响应的题目直接用html解析然后渲染在页面上

我最开始的想法是使用正则表达式来匹配中文汉字，但是我仔细想想这样好像不行，因为有些标签里面也是会有汉字的，这样匹配说不定会有错

后面我又想到了之前大一的时候刚入坑爬虫的时候，学了一个xpath的方法，可以解析html页面

那我们何不直接将这个内容获取下来，然后在他们两边加上html标签，然后直接使用xpath解析，获取整个页面的所有文本信息，这个获取到的文本信息就是我们想要的题目

image.png

每次获取到题目和答案的时候都用这个函数处理一下，就能筛选出我们想要的文本内容了

若是服务器响应的是img标签，想要提取出其中的src属性，也可以用一样的方法先解析页面，再获取标签属性

现在仔细想想，开始学js逆向了以后就甚少使用xpath了，当时遇到这个问题的时候第一反应既然想不到xpath，是不是提醒我该复习了哈哈哈哈

2.3 空间推理验证码

把以上的思路全部转成代码，运行，正当我以为一切都结束的时候，现实给了我当头一击。我观察日志，在代码正常运行一段时间后，日志突然报错，我查看了一下服务器响应了msg:滑动验证未通过（忘记截图了。。。）

当时我还不当回事，心想不就是个风控吗，让我看看怎么个事，当我打开页面，我直接人傻了。。。

05aabf979ff51b290c178330d567fc0.png

好好好这就是你说的滑动验证码是吧。。。这明明是空间推理验证码。。。

这也是我第一次在网页上真实的见到这种验证码，也不知道怎么解决这个问题，我去网上查资料，读到了一篇使用yolov8来进行物体识别的文章

我仔细想了一下，既然物体都能识别的如此准确，那识别这种方方正正的验证码不是右手就行

打开yolo的github网页

image.png

直接将所有的配置都拉到我们本地，方便我们使用

我读的那篇文章使用yolov8写的，我看了一下官方文档，现在都出到yolo11了都，但我担心新版本不稳定（可能是多余的担心。。。），还是选择了yolov8。

这里我直接使用官方预训练好的yolov8n模型配上我自己的数据集来训练我们自己的模型

直接在搜索引擎搜索yolov8.np

image.png

点进去，找到yolov8n.np

image.png

点一下就能直接下载了

这里可以看到yolov8除了n版本，还有s,m等版本，n应该是最菜的版本，但是我硬件条件也不太行，就用这个最简单的就行了

在我们刚刚下载到本地的配置里，找到cfg（config配置）文件夹

image.png

在这个配置文件夹下，我们最关心的就是datasets(数据集)，models(模型)的配置

我们先来看数据集的配置

对于v8模型，官方文档指出对应的配置文件是coco128,我们构建自己的数据集的时候也要按照这个格式来

image.png

观察一下coco128配置文件的结构

image.png

上面的path就是你的数据集的位置,train(训练使用的数据集)和val(训练完后验证使用的数据集)的路径要填写相对于path的路径，test是可选项不用管

这个names就是你的标签类别了

再来看看模型的配置

点击modoules,再点击v8

image.png

最上面这个就是yolov8的配置文件了

image.png

最上面的这个nc参数就是最关键的，这个是数据集标签的数量，如果我们要构建自己的数据集，这里要改成我们自己数据集的标签数量

image.png

在根目录下新建一个我们自己的文件夹,将刚刚提到的配置文件复制一份进来

注意，将yolov8.yaml复制进文件夹后，最好改个名字，比如，你要使用n模型，就改成yolov8n.yaml;若你要使用s模型，就改成yolov8s.yaml,若是不改名，训练的时候会默认使用n模型

image.png

这里的mydata.yaml就是coco128.yaml，我自己改了个名字

我们先来创建一个conda的虚拟环境以便运行，具体怎么创建可以去查一下anaconda的使用

创建好环境了以后我们激活一下我们的环境

image.png

然后将我们的项目选择这个创建的虚拟环境就行

在这个虚拟环境中执行pip install ultralytics,安装我们所需的虚拟环境

这里会默认安装cpu版本的pytorch,若是想提高训练速度，可以自己删掉cpu版本的pytorch，自己手动安装GPU版本的pytorch,具体怎么做去网上搜教程吧，官方建议的v8模型最好使用版本大于2.0的pytorch，我亲自试过安装了1.8版本的pytorch，结果在训练的时候爆显存了，所以听人劝吃饱饭。。。

然后就到数据集的构建了，根据官方给的coco128数据集，我们可知我们最后构建的数据集应该长这样

image.png

这个images中的train2017就是我们提前下载的图片

image.png

直接写个爬虫代码不断地请求验证码的接口，就可以批量获取验证码图片了

至于这个labels中的train2017装的是什么，一会儿说~

我们先来看看如何构建自己的数据集，先按照刚刚数据集的结构建好,labels中的train2017暂时啥都不放

在激活虚拟环境后执行pip install labelimg

image.png

安装完后，直接输入labelimg后回车打开这个工具

打开工具后，先点击open dir，选择我们存放图片的那个文件夹

image.png

然后点击 change save dir，这个就选择那个labels中的train2017文件夹

image.png

再点击一下这里，切换成yolo输出模式

image.png

然后点击create RectBox，就可以框选需要识别的目标了，然后给该目标加上标签，这些信息都会以txt文本的格式输出到刚刚选择的labels 中的train2017文件夹中

全部标记好了以后，可以看到labels中有很多txt文件

image.png

随便点击一个进去看看，都是一些刚刚框选目标的坐标信息

image.png

除了这些文件，还有一个classes.txt

image.png

都是我们标记的标签类型，还记得我们刚刚看过的数据集配置文件吗，这个要按照以下这种格式写入配置文件

image.png

然后模型的配置模型这里的nc要改成自己标签对应的种类

image.png

我这里有124种标签，所以这里写124

然后我们改一下数据集的路径，这边建议按我说的改，先打开我图片中的路径，把Ultralytics的配置文件改一下

image.png

点击settings.json，将数据集路径的配置置空

image.png

然后回到我们的项目，将path改为我们自己数据集的绝对路径

image.png

然后就可以开始训练了

训练的代码很简单，如下图

image.png

如果你是在windows系统下运行的这段代码，一定要加上图中框出的东西，关闭多线程，否则会报错

执行代码，等代码执行完毕以后，会看到项目文件夹中多了个runs文件夹

image.png

该文件夹中的这个权重文件夹中的best.pt就是我们训练出来效果最好的模型

接下来我们用这个模型来预测

image.png

在预测结果中，result.boxes中就存放着预测的所有信息，包括检测到目标的框的坐标，以及框的标签名称，还有置信度等

运行代码，查看结果

image.png

image.png

可以看见训练的效果还不错，拿到边框信息后，就可以根据四个坐标取框的中点，这个中点就是点击的坐标

3.结语

这个空间推理验证码的逆向部分就不多说了，和滑块的那个大差不差，感兴趣的可以自己去易盾官网试试

这也是我第一次玩深度学习，收获不少，且答题部分在完善了这个验证码后也是全部完成了！

努力了三个周终于有了结果，嘿嘿

avatar
文章
阅读
粉丝