Google Safesearch Mini V2

🚀 Google Safesearch Mini V2

Google Safesearch Mini V2は、超精密なマルチクラス画像分類器で、露骨なコンテンツを正確に検出します。これは、ソーシャルメディアのモデレーションやデータセットのフィルタリングに役立ち、Stable Diffusionのセーフティチェッカーと比べて1.0GBのRAMとディスク容量を節約できます。

🚀 クイックスタート

Safesearch v3.1がリリースされました

Google Safesearch Mini V2は、V1とは異なるアプローチでトレーニングされました。InceptionResNetV2アーキテクチャと、インターネットからランダムに収集された約3,400,000枚の画像のデータセットを使用し、その一部はデータ拡張によって生成されました。トレーニングデータと検証データは、Google Images、Reddit、Kaggle、Imgurから収集され、企業、Google SafeSearch、モデレーターによって安全または不適切と分類されました。

モデルは交差エントロピー損失を使用して5エポックトレーニングされ、トレーニングセットと検証セットの両方で評価されました。予測確率が0.90未満の画像を特定し、データセットに必要な修正を加えた後、さらに8エポックトレーニングされました。その後、分類が困難なさまざまなケースでモデルをテストしたところ、茶色の猫の毛を人間の肌と誤認していることがわかりました。精度を向上させるために、Kaggleの15の追加データセットで1エポックファインチューニングし、最後のエポックではトレーニングデータとテストデータを組み合わせてトレーニングしました。これにより、トレーニングデータと検証データの両方で97%の精度が達成されました。

✨ 主な機能

• 超精密なマルチクラス画像分類器で、露骨なコンテンツを正確に検出します。
• ソーシャルメディアのモデレーションやデータセットのフィルタリングに役立ちます。
• Stable Diffusionのセーフティチェッカーと比べて1.0GBのRAMとディスク容量を節約できます。

📦 インストール

PyTorch

pip install --upgrade torchvision

💻 使用例

基本的な使用法

import torch, os
from torchvision import transforms
from PIL import Image
import urllib.request
import timm

image_path = "https://www.allaboutcats.ca/wp-content/uploads/sites/235/2022/03/shutterstock_320462102-2500-e1647917149997.jpg"
device = "cuda"

def preprocess_image(image_path):
  # Define image pre-processing transforms
    transform = transforms.Compose([
      transforms.Resize(299),
      transforms.CenterCrop(299),
      transforms.ToTensor(),
      transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
    ])
    if image_path.startswith('http://') or image_path.startswith('https://'):
        import requests
        from io import BytesIO
        response = requests.get(image_path)
        img = Image.open(BytesIO(response.content)).convert('RGB')
    else:
        img = Image.open(image_path).convert('RGB')
    img = transform(img).unsqueeze(0)
    img = img.cuda() if device.lower() == "cuda" else img.cpu()
    return img

def eval():
    model = timm.create_model("hf_hub:FredZhang7/google-safesearch-mini-v2", pretrained=True)
    model.to(device)
    img = preprocess_image(image_path)

    with torch.no_grad():
        out = model(img)
        _, predicted = torch.max(out.data, 1)
        classes = {
            0: 'nsfw_gore',
            1: 'nsfw_suggestive',
            2: 'safe'
        }
        print('\n\033[1;31m' + classes[predicted.item()] + '\033[0m' if predicted.item() != 2 else '\033[1;32m' + classes[predicted.item()] + '\033[0m\n')

if __name__ == '__main__':
    eval()

📄 ライセンス

このプロジェクトはApache-2.0ライセンスの下で公開されています。