一、前言

本文基于开源项目 CalculateCaptcha_Recognition，提供 三个核心脚本的完整实现与详解：

1. train.py —— 纯 CPU 训练模型
2. test.py —— 验证集评估 + 单张预测
3. to_onnx.py —— 导出 ONNX 模型（CPU 推理专用）

所有脚本均 不依赖 CUDA，适用于服务器、边缘设备、Docker 容器等 纯 CPU 环境。

二、环境准备（CPU 专用）

# requirements.txt （本人用的python10）

numpy
onnxruntime
Pillow
requests
torch
torchvision

pip install -r requirements.txt

关键：+cpu 后缀确保安装 CPU-only PyTorch，避免 CUDA 依赖。

数据集

datasets/
├── train/     → 2000 张
└── test/      → 200 张

三、运行 train.py

 python train.py

四、模型验证与单张预测

python test.py

五、to_onnx.py：导出 ONNX 模型（CPU 推理专用）

python to_onnx.py

六、修改 onnx_test.py

import onnxruntime
import torch
from PIL import Image
import torchvision.transforms as transforms
import numpy as np
import common


def vec2Text(vec):
    vec = torch.argmax(vec, dim=1)
    return ''.join(common.captcha_array[i] for i in vec)


def to_numpy(tensor):
    return tensor.detach().cpu().numpy() if tensor.requires_grad else tensor.cpu().numpy()


if __name__ == '__main__':
    path = "datasets/test/8×0=？_309eb130ab954d179a5d85d6e2626d34.png"
    onnxFile = 'mathcode.onnx'

    #  强制转为RGB三通道
    img = Image.open(path).convert('RGB')

    trans = transforms.Compose([
        transforms.Resize((60, 160)),
        transforms.ToTensor()
    ])
    img_tensor = trans(img).unsqueeze(0)  # [1, 3, 60, 160]

    ort_session = onnxruntime.InferenceSession(onnxFile)
    modelInputName = ort_session.get_inputs()[0].name

    # 推理
    onnx_out = ort_session.run(None, {modelInputName: to_numpy(img_tensor)})
    onnx_out = torch.tensor(np.array(onnx_out))
    onnx_out = onnx_out.view(-1, len(common.captcha_array))
    print(vec2Text(onnx_out))

运行结果

(py10) PS C:\Users\Administrator\Downloads\CalculateCaptcha_Recognition-main\CalculateCaptcha_Recognition-main> python .\onnx_test.py
0-0=？

七、总结

本人没有独显 如有请自行测试

参考这个实现自动化测试

https://blog.csdn.net/weixin_46244623/article/details/154332290?spm=1001.2014.3001.5501