内容简介:随着互联网的快速发展,越来越多的图片和视频出现在网络,特别是UCG产品,激发人们上传图片和视频的热情,比如微信每天上传的图片就高达10亿多张。每个人都可以上传,这就带来监管问题,如果没有内容审核,色情图片和视频就会泛滥。前不久,一向以开放著称的tumblr,就迫于压力,开始限制人们分享色情图片。更别提国内,内容审核是UCG绕不过去的坎。还记得前几年出现的职业鉴黄师这一职业么?传说百万年薪,每天看黄片看得想吐,但最近又很少有人提及这一职业,这个应监管而生的职业,因人工智能的出现又快速消亡。(当然也不是完全消亡
随着互联网的快速发展,越来越多的图片和视频出现在网络,特别是UCG产品,激发人们上传图片和视频的热情,比如微信每天上传的图片就高达10亿多张。每个人都可以上传,这就带来监管问题,如果没有内容审核,色情图片和视频就会泛滥。前不久,一向以开放著称的tumblr,就迫于压力,开始限制人们分享色情图片。更别提国内,内容审核是UCG绕不过去的坎。还记得前几年出现的职业鉴黄师这一职业么?传说百万年薪,每天看黄片看得想吐,但最近又很少有人提及这一职业,这个应监管而生的职业,因人工智能的出现又快速消亡。(当然也不是完全消亡,毕竟判断是否色情图片是一个主观的事情,有些艺术和色情之间的边界比较模糊,需要人工加以判断)
之前写过一篇文章 利用人工智能检测色情图片 ,也曾经尝试过在浏览器中加入色情图片过滤功能,但实验下来,推理速度太慢(当时使用的Google Nexus 4做的测试,检测一张图片需要几秒钟),没法做实时过滤。最近在研究nvidia的Jetson Nano以及推理加速框架TensorRT,因此想尝试一下,看能否应用一些加速方法,加速推理。
虽然我的最终目标是应用到Jetson Nano,但是TensorRT其实适用于几乎所有的Nvidia显卡,为了方便起见,我还是先在PC端进行尝试。没有Nvidia显卡?也没有关系,可以看看我前面发布的两篇文章:
open_nsfw
本文采用的深度学习模型是雅虎开源的深度学习色情图片检测模型open_nsfw,这里的NSFW代表Not Suitable for Work,该项目基于caffe框架。由于我主要研究的是Tensorflow,所以在网上找到该模型的Tensorflow实现版本,fork了一份,并添加了TensorRT框架的处理脚本,你可以使用如下命令获得相关代码:
git clone https://github.com/mogoweb/tensorflow-open_nsfw.git 复制代码
在 model.py 中,我们可以看到open_nsfw的模型定义, data/open_nsfw-weights.npy 是采用 工具 从yahoo open_nsfw的cafee权重转换得到的Tensorflow权重,这样我们无需训练模型,直接用于推理过程。 classify_nsfw.py 脚本可用于单张图片的推理:
python classify_nsfw.py -m data/open_nsfw-weights.npy test.jpg 复制代码
注意:脚本提供了两种解码图片文件的方式,一种是采用PIL.image、skimage进行图片处理,也就是所谓的yahoo_image_loader,一种是采用tensorflow中的图片处理函数进行处理。因为原始的open_nsfw模型是采用PIL.image、skimage进行预处理而训练的,而不同的库解码出来的结果存在细微的差异,会影响最终结果,一般优选选择yahoo_image_loader。当然,如果你打算自己训练模型,那选择哪种图片处理库都可以。
tools 目录下有一些脚本,可以将模型导出为 frozen graph 、 saved model 以及 tflite 等格式,这样我们可以方便的在服务器端部署,还可以应用到手机端。
opt是我编写的采用TensorRT框架加速的代码,在下面我将详细说明。
导出为TensorRT模型
目前TensorRT作为Tensorflow的一部分得到Google官方支持,其包位于 tensorflow.contrib.tensorrt ,在代码中加入:
import tensorflow.contrib.tensorrt as trt 复制代码
就可以使用TensorRT,因为有Google的支持,导出到TensorRT也就相当简单:
trt_graph = trt.create_inference_graph( input_graph_def=frozen_graph_def, outputs=[output_node_name], max_batch_size=1, max_workspace_size_bytes=1 << 25, precision_mode='FP16', minimum_segment_size=50 ) graph_io.write_graph(trt_graph, export_base_path, 'trt_' + graph_name, as_text=False) 复制代码
其中:
- input_graph_def 为需要导出的Tensorflow模型图定义
- outputs 为输出节点名称
- max_batch_size 为最大的batch size限制,因为GPU存在显存限制,需要根据GPU memory大小决定,一般情况可以给8或者16
- precision_mode 为模型精度,有FP32、FP16和INT8可选,精度越高,推理速度越慢,也要依GPU而定。
graph_io.write_graph 将图写入到文件,在后续的代码中可以加载之。
完整的代码请参考 opt/export_trt.py 文件。
测试数据
因为一些政策法规的限制,并没有公开数据集可提供下载,不过在github上有一些开源项目,提供脚本,从网络上进行下载。我使用的是 github.com/alexkimxyz/… 这个开源项目中的脚本。这个项目提供drawings、hentai、neutral、porn、sexy四种类别图片,可以划分为训练集和测试集,并检查图片是否有效(因为从网络爬取,有些链接不一定能访问到)。
注意这个图片下载量非常大,需要注意别把硬盘撑满。虽然这个数据量够大(几万张),可以自行进行模型训练,但和yahoo训练open_nsfw模型的图片量相比,还是小巫见大巫,据说yahoo训练这个模型用了几百万张的图片。
推理速度对比
在opt目录下,我针对两种模型的加载和推理添加了两个脚本,分别是 benchmark_classify_nsfw.py 和 benchmark_classify_trt.py ,细心的同学可能会发现,这两个脚本几乎一模一样,是的,除了 benchmark_classify_trt.py 多了一行代码:
import tensorflow.contrib.tensorrt as trt 复制代码
加入这行import语句,告诉tensorflow使用TensorRT框架,否则的话,会出现如下错误:
tensorflow.python.framework.errors_impl.NotFoundError: Op type not registered 'TRTEngineOp' in binary running on alex-550-279cn. Make sure the Op and Kernel are registered in the binary running in this process. Note that if you are loading a saved graph which used ops from tf.contrib, accessing (e.g.) `tf.contrib.resampler` should be done before importing the graph, as contrib ops are lazily registered when the module is first accessed. 复制代码
取2000张测试图片进行测试,在我的GTX 960上,推理速度如下:
未优化模型: 53 s 使用TensorRT优化模型: 54 s 复制代码
如果你下载更大的数据集,可以多测试一些图片,看看优化效果。
在Google Colab上,我放了一份Jupter Notebook,有兴趣的同学可以借助Google Colab尝试一下,文件地址: colab.research.google.com/drive/1vH-G… ,当然你也可以访问我github上完整的脚本及Notebook:
点击阅读原文,可以跳转到该项目。
题外话:
微信公众号流量主的门槛已经大大降低,我在公众号文章底部开通了广告,希望没有影响大家的阅读体验。我一直很好奇,这种广告会有人点击么,过一段也许我会得到答案。
你还可以读:
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:- 人工智能会取代人工翻译吗?
- “人工”智能究竟需要多少人工?
- 腾讯发布人工智能辅助翻译 致敬人工翻译
- 你负责人工智能哪部分?人工那部分;知识图谱的构建主要靠人工还是机器?
- 忽略这一点,人工智能变人工智障的!
- Unity 人工智能挑战赛 全面启动,打破人工智能研究瓶颈
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。