jiangchengchengNLP/image_l_class

Image Quality Classification - EfficientNet-B0

基于 EfficientNet-B0 的图片内容分级模型，支持 L1-L4 四级分类。

分类标准

等级	说明	示例
L1	轻度性感内容	正常身材+性感内衣/衣物遮挡下体，姿势正常无性暗示
L2	中度性感内容	夸张身材+衣着性感/较少，姿势有较强性暗示
L3	重度性感内容	裸露（半裸/全裸），私密部位暴露
L4	色情内容	明确性行为/性交内容

详细分级标准见 数据准备文档

模型性能

基准测试

项目	值
模型	0.onnx
架构	EfficientNet-B0
大小	14.2 MB
精度	FP32
设备	CPU

推理速度

指标	值
Mean	82.04 ms
Median	96.23 ms
P99	188.17 ms
Min	11.72 ms
Max	209.72 ms
FPS	12

分类精度

等级	准确率
Overall	82.50% (n=1400)
L1	87.47%
L2	73.31%
L3	84.87%
L4	82.93%

使用方式

ONNX Runtime 推理

import onnxruntime as ort
import numpy as np
from PIL import Image
from torchvision import transforms

# 加载模型
session = ort.InferenceSession("0.onnx")
input_name = session.get_inputs()[0].name

# 图像预处理
transform = transforms.Compose([
    transforms.Resize(256),
    transforms.CenterCrop(224),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406],
                         std=[0.229, 0.224, 0.225]),
])

img = Image.open("image.jpg").convert("RGB")
input_tensor = transform(img).unsqueeze(0).numpy()

# 推理
outputs = session.run(None, {input_name: input_tensor})[0]
pred_id = np.argmax(outputs, axis=1)[0]
class_names = ["L1", "L2", "L3", "L4"]
print(f"预测等级: {class_names[pred_id]}")

命令行推理

python inference.py --model 0.onnx --image /path/to/image.jpg

权重文件

文件名	大小	说明
0.onnx	14.2 MB	FP32 ONNX 模型（最佳权重）

训练

训练代码位于 image_L_class_train，基于 EfficientNet-B0 + timm 训练框架。

训练数据

• 来源：Civitai 图片分级标注
• 分级：L1-L4 四类
• 数据量：约 6000 张

部署建议

• CPU 推理: ONNX Runtime 直接部署，单张约 80ms
• GPU 推理: 可用 TensorRT 优化，速度提升 5-10 倍
• INT8 量化: 可进一步压缩体积至 ~5MB，速度提升 2-3 倍