内容简介:作者 | 一一出品 | AI科技大本营(ID:rgznai100)
作者 | 一一
出品 | AI科技大本营(ID:rgznai100)
一般看到头图,“老司机”立马心领神会,就会猜到这篇文章的主题大致与什么相关。
没错,今天的内容就跟“不可描述”的图片有关,但请别激动,也许没有福利:)
要介绍的项目名称叫 NSFW.JS,英文全称是 Not Safe/Suitable For Work,也就是说不适合工作场所使用。
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,它的好处是在本地即可识别,即使是那些你无法控制的网络不雅内容,也可以提前帮助进行防御,尤其在保护未成年人健康上网这一点上很有益处。
比如有的网站、或者 App 上,有用户总想尝试上传色情图片,而通过使用 NSFW.JS 则可以提前警告用户禁止上传,如果强行上传,则需要再通过人工审核。
又比如像微博、微信等 App 上卖片的僵尸账号比较泛滥,NSFW.JS 则可以对将要收到该信息的人发出警告,告知他们要查看的内容可能不合适,需要澄清一点,这并不需要服务器处理即可完成操作。
默认情况下,该 JS 库对图像进行分为了以下 5 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 Demo 展示,如果默认开启模糊保护,只有当 NSFW.JS 识别图片为 Drawing 和 Neutral 时的比例更高时,意味着可以通过审核进行展示,而将图片识别成其它三类图片的比例更高,图片则自动屏蔽。
当然,这是理想状态下的呈现结果,实际上,项目创建者也坦陈,NSFW.JS 现在并不完美,如果你进行测试就会发现,有一些显而易见的误识图片。
用于训练 NSFW 图像分类器的图像数据脚本集合,目前已在 GitHub 获得 8397 个 Star。
喏,数据集地址你: https://github.com/alexkimxyz/nsfw_data_scraper, 还请善加利用:)
项目创建者认为,虽然目前的识别结果中会出现少量偏差,但通常还是很有趣。对于像 NSFW 这样的项目,他觉得目前召回率比精确度更重要,”误识率高一点也比让更危险的东西漏掉要好”。
话虽如此,但还是有掩饰识别准确度不高的嫌疑。创建者此前测试 15,000 个图像集的准确率大约 90%,不过,根据 AI科技大本营亲自测试,整体感觉是误识率较高。对于显而易见的色情图片,该项目识别时非常明了,不过介于“性感”和“色情”的黑色地带,就不太靠谱了,很容易误伤。
其中,以 AI科技大本营测试的二十多张 Monica Bellucci 图片为例,有很多明显不涉及色情的图片都被错误分类,将“性感照”甚至是普通照片分到了“色情”档。
相较而言,第一张图片明显漏胸面积更大,第二张明显是很普通的图片,却被分类为“Porn”了。
这两张图怎么就是“Porn”了......
更令人难以接受的或许是这样的图片被识别为“Porn”,脸都不能漏了?
目前来看,该项目的分类器模型还有很大的提升空间,尤其 随着 data scraper 的改进, 如果未来识别率有大幅提升,它应该会成为很有潜力的应用项目。 这是一个缓慢但却是值得期待的过程。
如何使用 NSFW.JS ?
最后附上 NSFW.JS 的操作步骤,简单来说只需三步:
1、获取代码到位
2、在客户端上加载模型
3、对图像进行分类
项目创建者也在 GitHub 中给出了详细说明:
import * as nsfwjs from 'nsfwjs' const img = document.getElementById('img') // Load model from my S3. // See the section hosting the model files on your site. const model = await nsfwjs.load() // Classify the image const predictions = await model.classify(img) console.log('Predictions: ', predictions)
API
加载模型。出于多种原因,你应该使用可选参数并从你的网站加载模型。
const model = nsfwjs.load('/path/to/model/directory/')
参数
-
可选的 URL model.json
返回
-
准备使用 NSFWJS 模型对象
对图像进行分类
此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。
// Return top 3 guesses (instead of all 5) const predictions = await model.classify(img, 3)
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)
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。
安装
NSFWJS 由 Tensorflow.JS 提供支持,作为peer dependency(同级依赖)。如果你的项目还没有 TFJS,则需要进行添加。
# peer dependency $ yarn add @tensorflow/tfjs # install NSFWJS $ yarn add nsfwjs
你也可以进行下载和托管项目:
https://s3.amazonaws.com/nsfwdetector/min_nsfwjs.zip
相关链接:
github 链接:https://github.com/infinitered/nsfwjs
demo 测试地址: https://nsfwjs.com/
如果你对该项目感兴趣,可以安装试用,欢迎在评论区交流使用体验。
(本文为AI科技大本营原创文章,转载请微信联系 1092722531)
群招募
扫码添加小助手微信,回复: 公司+研究方向(学校+研究方向) ,邀你加入技术交流群 。技术群审核较严,敬请谅解。
推荐阅读:
点击“阅读原文”,查看历史精彩文章。
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持 码农网
猜你喜欢:- 通俗易懂--决策树算法、随机森林算法讲解(算法+案例)
- 限流算法之漏桶算法、令牌桶算法
- 什么是Paxos算法?Paxos算法是区块链核心算法之一
- 一文读懂对称加密算法、非对称加密算法和Hash算法
- 算法(六):图解贪婪算法
- 算法篇03:排序算法
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Web前端黑客技术揭秘
钟晨鸣、徐少培 / 电子工业出版社 / 2013-1 / 59.00元
Web前端的黑客攻防技术是一门非常新颖且有趣的黑客技术,主要包含Web前端安全的跨站脚本(XSS)、跨站请求伪造(CSRF)、界面操作劫持这三大类,涉及的知识点涵盖信任与信任关系、Cookie安全、Flash安全、DOM渲染、字符集、跨域、原生态攻击、高级钓鱼、蠕虫思想等,这些都是研究前端安全的人必备的知识点。本书作者深入剖析了许多经典的攻防技巧,并给出了许多独到的安全见解。 本书适合前端工......一起来看看 《Web前端黑客技术揭秘》 这本书的介绍吧!