一级毛片在线观看视频,久久精品免费一区二区三区,久久久免费网站

技術原理設計

辨別一張圖片是否是黃圖，從機器學習的角度看，本質(zhì)上是一個對圖片分類問題：給定一張圖片，讓機器判斷是否是“黃圖”。我們要做的就是研發(fā)一個“分類器”，它能根據(jù)輸入的圖片計算出該圖片屬于“黃圖”類別的概率，然后再根據(jù)這個概率值輸出一個“是”或“否”的結果。計算機擅長的是數(shù)學運算，所以我們要把這個“分類器”先抽象成某種數(shù)學模型，這樣才有可能用計算機來運算。

為了更加方便理解，我們把數(shù)學模型定義為：y=f（x）。即給定圖片x，我們要找到一個函數(shù)f，通過計算f（x）可以得到這個圖片的黃圖概率y。很簡單吧！理論上這個數(shù)學模型可以解決所有的分類問題。具體的實現(xiàn)分為以下幾步：給出定義、收集樣本、訓練模型、驗證。

具體理論細節(jié)，請參考相關資料，此處不再詳述。

采用AI技術的優(yōu)勢

持續(xù)改進：該API采用了深度學習技術，通過大量標注過的數(shù)據(jù)集訓練而成的神經(jīng)網(wǎng)絡模型來進行圖片內(nèi)容的分類和識別，大數(shù)據(jù)掃黃尤為強大，同時也能持續(xù)不斷學習
高準確率：經(jīng)過優(yōu)化的模型具有較高的準確率，能夠有效地區(qū)分色情內(nèi)容和其他類型的圖片，這樣不會出現(xiàn)那種動不動就亂封殺，正常的圖片都給識別成黃色圖片然后給標記刪除，從而影響到自己的業(yè)務。

圖片鑒黃API接口設計

筆者開發(fā)者博客平臺采用后置審核的業(yè)務模式，因此API接口設計如下：

請求方法：通常使用GET方法。
請求體：Query參數(shù)來傳遞圖片的URL。
請求參數(shù)：參數(shù)名 – imgUrl，實際地址是OSS桶的地址
返回參數(shù)：JSON格式

返回參數(shù)案例：

HTTP/1.1 200 OK

Content-Type: application/json



{

  "code": "FAL00033",

  "message": "圖片存在風險"

  "data": {

    "is_explicit": true,

    "confidence": 0.92,

    "adult_scores": {

      "sexy": 0.85,

      "violence": 0.07

    },

    "imgUrl": "https://cdn.explinks.com/contents/upload/img/****"

  },

}

技術選型

鑒于筆者喜歡站在巨人肩膀上的性格，在Github上找到了一個半成品，NudeNet。

由印度開發(fā)者Praneeth Bedapudi提供的開源項目，包含用于圖像分類和目標檢測的兩個預訓練模型。圖像分類模型可以區(qū)分“nude”和“safe”兩類圖片，而目標檢測模型能夠識別圖片中的關鍵部位。

from nudenet import NudeClassifier, NudeDetector

from nudenet.data import load_dataset

from nudenet.train import train_classifier, train_detector

from nudenet.utils import configure_paths



# 配置數(shù)據(jù)集路徑

configure_paths({

    'base': '/home/mt_dev/imgs/base/',  # 數(shù)據(jù)集基礎路徑

    'train': '/home/mt_dev/imgst/train/',  # 訓練數(shù)據(jù)集路徑

    'validation': '/home/mt_dev/imgs/validation/'  # 驗證數(shù)據(jù)集路徑

})



# 加載數(shù)據(jù)集

train_dataset, validation_dataset = load_dataset()



# 訓練圖像分類模型

classifier_model = NudeClassifier()

train_classifier(classifier_model, train_dataset, validation_dataset)



# 訓練目標檢測模型

detector_model = NudeDetector()

train_detector(detector_model, train_dataset, validation_dataset)



# 保存訓練好的模型

classifier_model.save('path/to/save/classifier/checkpoint')

detector_model.save('path/to/save/detector/checkpoint')



print("訓練完成，模型已保存。")