算法警告！该图片涉嫌违规不予显示
精品文章，第一时间送达
转载自：AI科技大本营，未经允许不得二次转载
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，数据集地址给你：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/
【磐创粉丝福利】加磐小仙好友(微信号:cellerai)并发送关键字“python基础”即可 0元学习七月在线精品课程《Python基础课程升级版》。
你也许还想看：
欢迎扫码关注：
原创文章，作者：fendouai，如若转载，请注明出处：https://panchuang.net/2019/02/26/a3ff9ee258/
fendouai 