# captcha-solver

# Neural Network Model for solving captchas in Python

# Instalação de Dependências do Python:
pip install selenium
pip install fastapi
pip install pydantic
pip install opencv-python-headless  # Para cv2
pip install tensorflow
pip install imutils
pip install numpy
pip install scikit-learn

# Comando para subir o endpoint:
uvicorn main:app

# Atenção: O Modelo de Rede Neural já está treinado e salvo como "modelo_treinado.keras".
# Não é necessário executar arquivos além de testar_modelo.py para teste do modelo.
# Para caso de modificação do modelo, seguir os passos abaixo:

# Treinamento do Modelo:
# Passo 1 - Mineração de Captcha:
# Crie um diretório novo chamado "captcha_images"
# Execute o arquivo "captcha_miner.py", que abrirá o navegador do Chrome e salvará no diretório criado 2000 captchas novos
# Obs: É necessário baixar o chromedriver e adicionar no diretório onde fica o python.exe

# Passo 2 - Tratamento das imagens:
# Crie um diretório novo chamado "captcha_tratado"
# Execute o arquivo "tratar_captcha.py", que tratará todos os captchas do diretório "captcha_images" e os salvará no novo diretório criado

# Passo 3 - Separação das Letras:
# Crie um diretório chamado "caracteres" e outro chamado "identificado"
# Execute o arquivo "separar_letras.py", que recortará todas as letras dos captchas tratados e as salvará no diretório "caracteres"
# Na pasta "identificado" será salva uma visualização do recorte na imagem inteira

# Passo 4 - Rotulação dos Caracteres existentes:
# Manualmente, dentro da pasta "base_letras", crie um diretório para cada caractere existente nos captchas (o diretório deve ter o nome do caractere), letras, números etc.
# Abra a pasta caracteres e coloque de 30 a mais exemplos de cada caractere em sua respectiva pasta

# Passo 5 - Treinar o Modelo(IA):
# Execute o "treinar_modelo.py", que treinará o novo modelo e o salvará como "modelo_treinado.keras"
# A acurácia do modelo pode ser verificada no terminal, utilizando 3 epochs. A taxa de acerto de 95% já é considerada ótima.

# Nota: Não aumente o número de epochs além do necessário para evitar overfitting.