要入門機(jī)器學(xué)習(xí)，一個(gè)自己感興趣又有豐富數(shù)據(jù)的領(lǐng)域再好不過(guò)了。

今天我們就來(lái)學(xué)習(xí)用Keras構(gòu)建模型，識(shí)別NSFW圖片，俗稱造個(gè)鑒黃AI。

資源來(lái)自一名印度小哥Praneeth Bedapudi，涉及圖像分類和目標(biāo)檢測(cè)兩個(gè)科目。他在GitHub上最新發(fā)布了NudeNet項(xiàng)目，包含代碼和兩個(gè)預(yù)訓(xùn)練模型：負(fù)責(zé)識(shí)別露不露的圖像分類模型和負(fù)責(zé)找出關(guān)鍵部位（以便打碼）的目標(biāo)檢測(cè)模型。

圖像分類模型很簡(jiǎn)單，能區(qū)分兩個(gè)類別：nude和safe，也就是露和不露，堪比經(jīng)典的hotdog/not hotdog。

目標(biāo)檢測(cè)模型則能檢測(cè)6個(gè)類別：不分性別的腹部、臀部，和區(qū)分了性別的不可描述部位。

資源鏈接全在文末，我們先來(lái)學(xué)習(xí)一番。

圖像分類從數(shù)據(jù)集開(kāi)始

構(gòu)建一個(gè)圖像二分類模型，需要數(shù)據(jù)集當(dāng)然也要包含兩類圖像。所以，第一項(xiàng)任務(wù)就是分別搜集露的圖片（nude）和不露的圖片（safe）。

不安全的nude圖片來(lái)自三處：

一是用RipMe從website scrolller下載，這些圖片來(lái)自Reddit論壇的各種NSFW板塊；

圖片來(lái)源：https://scrolller.com/nsfw（打開(kāi)請(qǐng)慎重）

下載工具：https://github.com/RipMeApp/ripme

二是P站的縮略圖。引入這些縮略圖是為了平衡圖片質(zhì)量——上邊的的Reddit圖片質(zhì)量太高了，而一個(gè)鑒黃AI，在現(xiàn)實(shí)中遇到的圖片大多是渣品質(zhì)，這就需要分辨率很低的縮略圖來(lái)平衡。

三是之前廣為流傳的同類數(shù)據(jù)集，來(lái)自alexkimxyz。

原數(shù)據(jù)集的5個(gè)類別，被映射到現(xiàn)在的兩類之中。hentai和porn屬于nude，而drawings、neutral和sexy屬于safe。

搜集好數(shù)據(jù)之后，進(jìn)行標(biāo)準(zhǔn)化和去重：

#Resizingandremovingduplicatesmogrify-geometryx320*fdupes-rdN./

最終得到的不安全圖片1,78,601張P站圖片、1,21,644張Reddit圖片和1,30,266張前輩數(shù)據(jù)集圖片。

安全的圖片則有三個(gè)來(lái)源，一是alexkimxyz數(shù)據(jù)集中的普通圖片；二是Facebook資料；三是Reddit論壇上那些老少皆宜的板塊。

為什么已經(jīng)有了現(xiàn)成的數(shù)據(jù)集，還需要去后兩個(gè)來(lái)源抓取呢？

因?yàn)樾「绨l(fā)現(xiàn)，前輩收集的安全圖片，有很多根本就不包含人。用這樣的數(shù)據(jù)訓(xùn)練，模型很可能學(xué)到錯(cuò)誤的特征，沒(méi)學(xué)會(huì)判斷“露不露”，直接變成了一個(gè)“有沒(méi)有人”分類器。

最終得到的安全圖片中，有68,948張來(lái)自Facebook資料、98,359張來(lái)自前輩數(shù)據(jù)集、55,137張來(lái)自Reddit。

數(shù)據(jù)收集完畢，接下來(lái)要進(jìn)行數(shù)據(jù)增強(qiáng)。這里用的是Augmentor和Keras自帶的fit_generator。

Augmentor地址：https://github.com/mdbloice/Augmentor

使用的代碼如下：

#Randomrotation,flips,zoom,distortion,contrast,skewandbrightnesspipeline.rotate(probability=0.2,max_left_rotation=20,max_right_rotation=20)pipeline.flip_left_right(probability=0.4)pipeline.flip_top_bottom(probability=0.8)pipeline.zoom(probability=0.2,min_factor=1.1,max_factor=1.5)pipeline.random_distortion(probability=0.2,grid_width=4,grid_height=4,magnitude=8)pipeline.random_brightness(probability=0.2,min_factor=0.5,max_factor=3)pipeline.random_color(probability=0.2,min_factor=0.5,max_factor=3)pipeline.random_contrast(probability=0.2,min_factor=0.5,max_factor=3)pipeline.skew(probability=0.2,magnitude=0.4)

訓(xùn)練與評(píng)估

小哥為這個(gè)任務(wù)選擇了谷歌出品的Xception模型，直接從Keras使用，輸入256x256尺寸的圖片，批次大小設(shè)為32。

而訓(xùn)練的設(shè)備，是從vast.ai租來(lái)的云服務(wù)器，帶一塊GTX 1080Ti顯卡。

Keras提供的圖像分類模型有個(gè)問(wèn)題：不帶正則化。所以，還要用下面的代碼，為每一層加上正則化（dropout或L2）。

#Forl2forlayerinmodel.layers:layer.W_regularizer=l2(..)#OrfordropoutadddropoutbetweenthefullyconnectedlayersandredefinethemodelusingfunctionalAPI.

使用SGD with momentum訓(xùn)練，模型可以在alexkimxyz數(shù)據(jù)集上收斂到0.9347的準(zhǔn)確率。

訓(xùn)練完成后，他選擇了Towards Data Science之前構(gòu)建的一個(gè)測(cè)試集來(lái)測(cè)試模型性能。

測(cè)試集：https://drive.google.com/drive/folders/18SY4oyZgTD_dh8-dc0wmsl1GvMsA7woY

測(cè)試成績(jī)?nèi)缦拢?/p>

目標(biāo)檢測(cè)還是從數(shù)據(jù)集開(kāi)始

訓(xùn)練目標(biāo)檢測(cè)模型需要的數(shù)據(jù)集，和圖片分類可不一樣。分類只需要圖片和類別，而目標(biāo)檢測(cè)需要的，是用邊界框標(biāo)注了某樣?xùn)|西位置的圖片。

因此，上邊講過(guò)的數(shù)據(jù)集不能用了，新科目的數(shù)據(jù)集來(lái)自Jae Jin的團(tuán)隊(duì)，包含5789張圖片，各種標(biāo)注的分布如下：

其實(shí)也就是模型能檢測(cè)出的六類目標(biāo)。

數(shù)據(jù)集沒(méi)有公開(kāi)，作者在這里：https://github.com/Kadantte

有了數(shù)據(jù)，還是要做一些圖像增強(qiáng)工作，隨機(jī)加入一些模糊、翻轉(zhuǎn)。使用的工具是albumentations：

https://github.com/albu/albumentations

訓(xùn)練與評(píng)估

這里的檢測(cè)模型，選擇的是FAIR推出的RetinaNet，它使用焦點(diǎn)損失（交叉熵?fù)p失的一種變體）來(lái)增強(qiáng)一階目標(biāo)檢測(cè)的性能。

檢測(cè)模型的基干使用了ResNet-101，在測(cè)試集上的成績(jī)?nèi)缦拢?/p>

除了用來(lái)指出某個(gè)部位究竟出現(xiàn)在了圖中什么位置之外，這個(gè)模型其實(shí)還可以當(dāng)成分類器來(lái)用：

如果在圖中檢測(cè)到了BUTTOCKS_EXPOSED、*_GENETALIA_EXPOSED、F_BREAST_EXPOSED這四類，就可以判定圖片NSFW，如果沒(méi)有，這張圖就是安全的。

所以，也可以用分類器的測(cè)試集來(lái)檢測(cè)這個(gè)模型的性能。

得到的成績(jī)，比純粹的分類器好不少：

當(dāng)然，目標(biāo)檢測(cè)更適合實(shí)現(xiàn)的功能，是打碼。比如說(shuō)見(jiàn)到一張NSFW圖片，它就可以根據(jù)檢測(cè)到的關(guān)鍵部位，自動(dòng)遮擋：

預(yù)訓(xùn)練模型怎么用？

如果你想先用預(yù)訓(xùn)練模型看看效果，可以按照下面的安裝指南來(lái)：

安裝：

pipinstallnudenetorpipinstallgit+https://github.com/bedapudi6788/NudeNet

使用分類器：

fromnudenetimportNudeClassifier