用 Go 构建验证码识别服务（调用深度学习模型 API）

本篇介绍如何使用 Go 编写一个 Web 服务，通过 HTTP 接收验证码图像，然后将图像转发给后端深度学习模型（如 TensorFlow Serving、FastAPI、Flask 等部署的模型服务）进行识别，并返回最终的预测文本。

一、场景说明
你可能已经训练好了一个 CNN 或 CRNN 模型，并通过 Python（如 Flask/FastAPI）或 TensorFlow Serving 部署成了 RESTful 推理服务。接下来我们用 Go 编写一个前端中转层：

提供上传图像的 API

将图像转发给模型服务

获取识别结果并返回客户端

二、服务结构

[ Client ] → [ Go Web API ] → [ 模型推理服务（如 Python FastAPI）] → [ 识别结果 ]
三、Go 服务端代码
依赖包安装
更多内容访问ttocr.com或联系1436423940
go get github.com/gin-gonic/gin
go get github.com/go-resty/resty/v2
main.go

package main

import (
"bytes"
"fmt"
"io"
"mime/multipart"
"net/http"
"os"
"path/filepath"

"github.com/gin-gonic/gin"
"github.com/go-resty/resty/v2"

)

const modelURL = "http://localhost:5000/predict" // 你的模型 API 地址

func main() {
router := gin.Default()

router.POST("/recognize", func(c *gin.Context) {
	file, err := c.FormFile("image")
	if err != nil {
		c.JSON(http.StatusBadRequest, gin.H{"error": "图片上传失败"})
		return
	}

	tmpPath := filepath.Join(os.TempDir(), file.Filename)
	if err := c.SaveUploadedFile(file, tmpPath); err != nil {
		c.JSON(http.StatusInternalServerError, gin.H{"error": "图片保存失败"})
		return
	}

	// 调用模型服务
	result, err := callModelAPI(tmpPath)
	if err != nil {
		c.JSON(http.StatusInternalServerError, gin.H{"error": "模型调用失败"})
		return
	}

	c.JSON(http.StatusOK, gin.H{"result": result})
})

router.Run(":8080")

}

// 调用 Python 推理服务
func callModelAPI(imagePath string) (string, error) {
client := resty.New()

file, err := os.Open(imagePath)
if err != nil {
	return "", err
}
defer file.Close()

body := &bytes.Buffer{}
writer := multipart.NewWriter(body)

part, err := writer.CreateFormFile("image", filepath.Base(imagePath))
if err != nil {
	return "", err
}
_, err = io.Copy(part, file)
writer.Close()

resp, err := client.R().
	SetHeader("Content-Type", writer.FormDataContentType()).
	SetBody(body.Bytes()).
	Post(modelURL)

if err != nil {
	return "", err
}

return string(resp.Body()), nil

}
四、Python 模型服务示例（可选参考）
FastAPI 示例：

from fastapi import FastAPI, File, UploadFile
from PIL import Image
import torch
from io import BytesIO

app = FastAPI()

@app.post("/predict")
async def predict(image: UploadFile = File(...)):
img = Image.open(BytesIO(await image.read())).convert("RGB")
# 模型加载与预测（略）
# pred = model(img_tensor)
return {"result": "A3B9"}
五、使用方式
启动 Go 服务：

go run main.go
调用接口：

curl -X POST -F "image=@test.png" http://localhost:8080/recognize
输出示例：

{"result": "7KQ9"}