Vit Base Nsfw Detector

🚀 vit-base-nsfw-detector

このモデルは、約25,000枚の画像（絵画、写真など）でvit-base-patch16-384をファインチューニングしたバージョンです。評価セットでは以下の結果を達成しています。

• 損失: 0.0937
• 正解率: 0.9654

新着 [07/30]: Stable Diffusionでの使用に特化したNSFW/SFW画像検出用の新しいViTモデルを作成しました（理由については下記の免責事項を参照）: AdamCodd/vit-nsfw-stable-diffusion。

免責事項: このモデルは生成画像を考慮して作成されていません！ここで使用されるデータセットには生成画像は含まれておらず、生成画像に対する性能は大幅に低下します。生成画像に特化した別のViTモデルが必要になります。以下は生成画像に対するモデルの実際のスコアです。

• 損失: 0.3682 (↑ 292.95%)
• 正解率: 0.8600 (↓ 10.91%)
• F1: 0.8654
• AUC: 0.9376 (↓ 5.75%)
• 適合率: 0.8350
• 再現率: 0.8980

✨ 主な機能

このモデルは、画像分類タスクに特化しており、主にSFW（セーフコンテンツ）とNSFW（不適切コンテンツ）の2クラス分類を行います。

📦 インストール

このモデルを使用するには、transformersライブラリが必要です。以下のコマンドでインストールできます。

pip install transformers

💻 使用例

基本的な使用法

ローカル画像の使用

from transformers import pipeline
from PIL import Image

img = Image.open("<path_to_image_file>")
predict = pipeline("image-classification", model="AdamCodd/vit-base-nsfw-detector")
predict(img)

リモート画像の使用

from transformers import ViTImageProcessor, AutoModelForImageClassification
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)
processor = ViTImageProcessor.from_pretrained('AdamCodd/vit-base-nsfw-detector')
model = AutoModelForImageClassification.from_pretrained('AdamCodd/vit-base-nsfw-detector')
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits

predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])
# Predicted class: sfw

Transformers.js (Vanilla JS)の使用

/* 説明:
* - このスクリプトをHTMLファイル内で <script type="module"> タグを使って配置してください。
* - HTMLファイルがローカルまたはリモートサーバーを介して提供されていることを確認してください（例: Pythonのhttp.server、Node.jsサーバーなど）。
* - classifyImage関数呼び出し内の 'https://example.com/path/to/image.jpg' を分類したい画像のURLに置き換えてください。
*
* このスクリプトをHTMLに含める例:
* <script type="module" src="path/to/this_script.js"></script>
*
* この設定により、スクリプトはインポートを使用し、CORS問題なくネットワークリクエストを実行できます。
*/
import { pipeline, env } from 'https://cdn.jsdelivr.net/npm/@xenova/transformers@2.17.1';

// HuggingFace Hubからモデルをダウンロードするため、ローカルモデルのチェックをスキップできます
env.allowLocalModels = false;

// 画像分類モデルをロード
const classifier = await pipeline('image-classification', 'AdamCodd/vit-base-nsfw-detector');

// URLから画像を取得して分類する関数
async function classifyImage(url) {
  try {
    const response = await fetch(url);
    if (!response.ok) throw new Error('Failed to load image');

    const blob = await response.blob();
    const image = new Image();
    const imagePromise = new Promise((resolve, reject) => {
      image.onload = () => resolve(image);
      image.onerror = reject;
      image.src = URL.createObjectURL(blob);
    });

    const img = await imagePromise; // 画像がロードされるのを待つ
    const classificationResults = await classifier([img.src]); // 画像を分類
    console.log('Predicted class: ', classificationResults[0].label);
  } catch (error) {
    console.error('Error classifying image:', error);
  }
}

// 使用例
classifyImage('https://example.com/path/to/image.jpg');
// Predicted class: sfw

📚 ドキュメント

モデルの説明

Vision Transformer (ViT) は、大規模な画像コレクション（ImageNet-21k）を教師あり学習で事前学習したトランスフォーマーエンコーダモデル（BERTライク）です。画像解像度は224x224ピクセルです。その後、100万枚の画像と1,000クラスからなるImageNet（ILSVRC2012とも呼ばれる）データセットで、より高解像度の384x384でファインチューニングされました。

意図された用途と制限

このモデルは、SFWとNSFWの2クラス分類を行うように訓練されています。モデルは制限的に訓練されており、「セクシー」な画像はNSFWとして分類されます。つまり、画像に乳首や過度の露出がある場合、NSFWとして分類されます。これは正常な動作です。

ただし、モデルは完全ではなく、一部の画像が誤ってNSFWとして分類されることがあります。また、transformers.jsパイプライン内で量子化されたONNXモデルを使用すると、モデルの精度が若干低下します。

訓練と評価データ

詳細情報は後日提供予定です。

訓練手順

訓練ハイパーパラメータ

訓練時に使用されたハイパーパラメータは以下の通りです。

• 学習率: 3e-05
• 訓練バッチサイズ: 32
• 評価バッチサイズ: 32
• シード: 42
• オプティマイザ: Adam (betas=(0.9,0.999), epsilon=1e-08)
• エポック数: 1

訓練結果

• 検証損失: 0.0937
• 正解率: 0.9654
• AUC: 0.9948

混同行列 (評価):

[1076 37]

[ 60 1627]

フレームワークバージョン

• Transformers 4.36.2
• Evaluate 0.4.1

支援方法

もし私を支援したい場合は、こちらから行えます。

📄 ライセンス

このモデルは、Apache 2.0ライセンスの下で提供されています。