NudeNet ONNX 模型

概述

本仓库为 NudeNet 目标检测系统提供了优化的 ONNX 模型，该系统最初由 notAI-tech 开发。这些模型专为使用基于 YOLOv8 架构进行高效裸露检测而设计，并针对 NSFW 内容识别进行了专门训练。这些 ONNX 格式的模型实现了跨平台兼容性，并可在各种硬件后端上加速推理。

该实现包含两个关键组件：一个用于生成初始边界框提案的 YOLOv8 检测模型（320n.onnx），以及一个用于后处理和过滤重复检测的非极大值抑制模块（nms-yolov8.onnx）。该系统可以识别 18 种不同的解剖区域和着装状态，包括高精度的暴露和遮盖的身体部位。

通过模型量化和 ONNX Runtime 集成优化了性能，在保持检测准确性的同时，比原始实现提供了显著的加速提升。模型在 320x320 输入分辨率下运行，并支持可配置的检测阈值，以便根据特定应用需求平衡精确率和召回率。

使用方法

安装

pip install onnxruntime>=1.18.0
# 对于 GPU 加速（可选）：
# pip install onnxruntime-gpu>=1.18.0
pip install dghs-imgutils

基本检测

from imgutils.detect.nudenet import detect_with_nudenet
from PIL import Image

# 加载并处理图像
image = Image.open('your_image.jpg')
detections = detect_with_nudenet(
    image, 
    topk=100,
    iou_threshold=0.45,
    score_threshold=0.25
)

# 处理结果
for bbox, label, confidence in detections:
    x1, y1, x2, y2 = bbox
    print(f"检测到 {label}，置信度 {confidence:.3f}，位置 [{x1:.1f}, {y1:.1f}, {x2:.1f}, {y2:.1f}]")

原始内容

notAI-tech/NudeNet 的 ONNX 模型。

标签定义

以下是 NudeNet 检测模型中标签的详细列表及其各自的含义：

引用

@misc{nudenet_onnx,
  title        = {{NudeNet ONNX Models}},
  author       = {deepghs and notAI-tech},
  howpublished = {\url{https://huggingface.co/deepghs/nudenet_onnx}},
  year         = {2023},
  note         = {Optimized ONNX models for the NudeNet object detection system, providing efficient nudity detection with YOLOv8 architecture},
  abstract     = {This repository provides optimized ONNX models for the NudeNet object detection system, originally developed by notAI-tech. The models are designed for efficient nudity detection in images using a YOLOv8-based architecture with specialized training for NSFW content recognition. These ONNX-format models enable cross-platform compatibility and accelerated inference across various hardware backends. The implementation includes two key components: a YOLOv8 detection model for generating initial bounding box proposals and a non-maximum suppression module for post-processing and filtering duplicate detections.},
  keywords     = {object-detection, onnx, yolov8, nsfw-detection}
}