警告图片 算法警告！该图片涉嫌违规不予显示

介绍:一般看到这张图，“老司机”会马上得到消息，猜测这篇文章的主题大概和什么有关。

没错，今天的内容和“无法形容”的图片有关，但是请不要激动，可能没有福利…

要介绍的项目名称是NSFW。JS，英文全称是不安全/不适合工作，表示不适合在工作场所使用。

这其实是一个基于TensorFlow.js的色情图片识别项目，说白了就是“审查”色情图片。它的优点是可以在本地识别，甚至那些你无法控制的不雅网络内容也可以帮助提前防御，尤其是在保护未成年人健康上网方面。

比如在一些网站或者应用上，总有一些用户想尝试上传色情图片。通过使用NSFW。JS，可以提前警告用户禁止上传。如果强制上传，需要通过人工审核。

例如，有太多僵尸账户在微博和微信等应用上销售电影，还有NSFW。JS可以警告会收到这个信息的人，告诉他们想要查看的内容可能不合适，需要澄清，不需要服务器处理就可以完成。

默认情况下，JS库将图像分为以下五类:

Drawing - 无害的艺术图画，包括动漫Hentai - 色情艺术图，不适合大多数工作环境Neutral - 安全、中性图片Porn - 色情图片，性行为，通常涉及生殖器Sexy - 性感图片，而非色情图片，包括乳头

以下是演示显示。如果模糊保护被默认打开，只有当图像的比例被NSFW识别。JS as Drawing和Neutral较高，意味着显示可以被认可，而图像被识别为其他三类图像的比例较高，图像被自动屏蔽。

当然，这是理想的结果。事实上，这个项目的创造者也坦率地说，NSFW。JS现在也不完美。如果你测试一下，你会发现有一些明显的误识图片。

用于训练NSFW图像分类器的图像数据脚本集在GitHub中获得了8397 Star。

这里，数据集地址是你的(请好好利用):

https://github.com/alexkimxyz/nsfw_data_scraper

据项目创建者介绍，目前的识别结果虽然有几处偏差，但通常都很有趣。对于像NSFW这样的项目，他认为召回率比准确性更重要。"与其错过更危险的东西，不如有更高的错误识别率."。

说了这么多，有识别准确率不高的嫌疑。创作者之前对15000个像集的测试准确率在90%左右。但据笔者个人测试，总体感觉是误认率高。对于明显的色情图片，项目鉴定的时候很清楚，但是在“性感”“色情”的黑带就不太靠谱了，容易误伤。

其中，以笔者测试的20多张莫妮卡·贝鲁奇图片为例，很多明显不涉及色情的图片被错误归类，“性感照”甚至普通照片都被归入“色情”档案。

相比之下，第一张图明显有较大的胸漏面积，而第二张图是普通图片，但被归为“黄片”。

为什么这两张图是“色情”......

更让人无法接受的是，这样的图片被鉴定为“色情”，脸不能错过？

目前这个项目的分类器模型已经有了空的大幅度改进，尤其是对DataScanner的改进。如果以后识别率大幅度提高，应该会成为一个潜在的应用项目。这是一个缓慢但值得期待的过程。

01如何使用NSFW。JS？

最后，NSFW的操作步骤。附上JS，只需要三个步骤:

获取代码到位在客户端上加载模型对图像进行分类

项目创建者也在GitHub中给出了详细的说明:

从“nsfwjs”导入* asnsfwjs

constimg = document.getElementById('img')constitution = document . GetElementbyID(' img ')

//从我的S3加载模型。

//参见您站点上模型文件所在的部分。

constmodel = awaitnsfwjs.load()

//对图像进行分类

constpredictions = awaitmodel.classify(img)const predictions = await model . classify(img)

console.log('预测: '，预测)

1.应用程序接口

加载模型。出于许多原因，您应该使用可选参数，并从您的网站加载模型。

const model = nsfwjs . load('/path/to/model/directory/')

2.参数

可选的 URL model.json

3.返回

准备使用 NSFWJS 模型对象

4.对图像进行分类

该函数可以使用任何基于浏览器的图像元素()，并返回最可能的预测数组及其置信度。

//返回前3个猜测(而不是全部5个)

constpredictions = awaitmodel.classify(img, 3)const predictions = await model . classize(img，3)

5.参数

要检查的张量（Tensor）、图像数据、图像元素、视频元素或画布元素要返回的结果数（默认全部都是 5）

6.返回

对象数组包含 className 和 probability。数组大小由 classify 函数中的第二个参数确定。

02安装

NSFWJS受Tensorflow支持。JS作为对等依赖。如果你的项目没有TFJS，就需要添加。

#对等依赖

$纱线添加@tensorflow/tfjs

#安装NSFWJS

$纱线添加nsfwjs

您还可以下载和托管项目:

https://s3.amazonaws.com/nsfwdetector/min_nsfwjs.

相关链接:

Github链接:

https://github.com/infinitered/nsfwjs

演示测试地址:

https://nsfwjs.com/

如果你对这个项目感兴趣，你可以安装它进行试用。欢迎在评论区交流经验。

▼

问:你打算如何使用这个数据集？

转载/提交请联系:baiyu@hzbook.com