两个 python 色情图像（裸露）探测器。
有害图片检测在内容审查、未成年人保护等多方面都有应用。
github代码
https://github.com/bakwc/PornDetector
第一个（pcr.py）使用 scikit-learn 和 opencv。我能够通过 1500 个正样本和 1500 个负样本获得约 85% 的标记准确率。它使用两个机器学习分类器 - 其中一个使用 HSV 颜色直方图，另一个使用 SIFT 描述符。
第二个（nnpcr.py）使用张量流神经网络。我能够在相同的标记上获得约 90% 的准确率。它使用 4 个卷积（3x3 滤波器）与 max_pool (2x2) 层相结合，一个 1024 个全连接层和最后一个 softmax 分类器。
opencv & sklearn 检测器的要求
Python2.7
scikit 学习 0.15
opencv 2.4（从源代码构建它，导致它默认缺少 SIFT ）
张量流检测器的要求
Python 2.7
opencv 2.4（您可以从存储库中获取二进制文件）
最新的 TensorFlow
这是我的配置，也许它可以与其他库版本一起使用。
opencv & sklearn 检测器的使用
网址预测演示：
./pcr.py url http://example.com/img.jpg代码用法：
from pcr import PCR
model = PCR()
model.loadModel('model.bin')
predictions = model.predict(['image1.jpg', 'image2.jpg', 'image3.jpg'])
print predictions
张量流检测器的使用
网址预测演示：
./nnpcr.py url http://example.com/img.jpg代码用法：
from nnpcr import NNPCR
model = NNPCR()
model.loadModel('nnmodel.bin')
predictions = model.predict(['image1.jpg', 'image2.jpg', 'image3.jpg'])
print predictions
Train 训练模型
创建目录1（包含非色情图片）、2（包含色情图片）、缓存（空）
运行
./pcr.py train（用于训练 opencv 和 sklearn）或./nnpcr.py train（用于张量流）。
训练完成后，您将看到准确性，并且您将获得包含经过训练的模型的“model.bin”文件。现在您可以使用它来检测色情内容（请参阅函数predictTest 和predictUrl）。我添加了一个示例模型 (model.bin) - 您可以在不训练自己的模型的情况下对其进行测试，但我建议您收集一些大量图像（例如 50K）以获得最佳结果。
人工智能技术在检测图片
人工智能技术在检测图片是否为色情内容方面，主要应用在以下几个方面：
1. 内容审查：在线平台和社交媒体使用AI工具来审查上传的图片，以确保内容不违反社区准则或当地法律，特别是关于色情内容的严格规定。
2. 版权保护：版权所有者可以利用AI技术来追踪和识别其作品在网上被非法分享的情况，包括未经授权的色情图片。
3. 法律执行：在法律调查中，AI可以帮助执法机构分析涉案的图片，以辨别是否存在色情内容，以及这些内容是否与违法行为有关。
4. 家长控制：家长可以使用AI工具来监控和限制孩子设备上的内容，防止孩子接触到不适当的色情图片。
5. 网络安全：企业和网络安全公司利用AI技术检测和拦截含有色情内容的恶意软件、钓鱼邮件和其他网络威胁。
6. 学术研究：在学术领域，AI可以帮助研究人员分析和理解色情内容的流行趋势、影响以及与社会心理的关系。
7. 辅助诊断：在某些医疗场景下，AI可以帮助专业人员分析和识别皮肤病变等图像信息，尽管这与色情内容直接相关的场景较少。
需要强调的是，任何使用人工智能检测色情内容的技术和应用，都必须严格遵守隐私和法律的界限，确保技术的使用不侵犯个人隐私和合法权利。同时，应当避免色情内容的误判，保护合法内容创作者的权益。
两个 python 色情图像（裸露）探测器。
有害图片检测在内容审查、未成年人保护等多方面都有应用。
github代码
https://github.com/bakwc/PornDetector