算法警告！该图片涉嫌违规不予显示

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：

• 优秀开发者必备技能包：Python调试器

• 十大经典排序算法动画与解析，看我就够了

• 访问量最高超7百万的Stack Overflow问题竟然是...

• 新鲜开源：基于TF2.0的深度强化学习平台

• 交易机器人春天已来？先看完这篇再说吧

• 程序员求职新思路：互联网巨鳄瓜分 ToB 资源全公开

• 移动开发还有未来吗？

• 全面剖析企业私有云

• 月入5万，程序员夫人们过上"贵妇"生活了吗？

点击“阅读原文”，查看历史精彩文章。