image_nsfw_filter

图像NSFW内容检测过滤器。过滤器保留图像具有低nsfw分数的样本。 本SKILL使用依赖data_juicer,请在调用前安装好python环境并安装data_juicer,你可用以下指令进行安装: pip install py-data-juicer 当用户提到图片安全检测、NSFW过滤、不良内容过滤、图片审核、图像内容过滤等需求时使用此skill。

SKILL.md

GitHub

功能概述

该算子用于检测图像的NSFW(Not Safe For Work 不适宜在工作场所观看的内容)分数,过滤掉高分值的图像。支持多种过滤策略:

  • any: 任意一张图像符合条件即保留
  • all: 所有图像都符合条件才保留

核心参数

参数 类型 必填 默认值 说明
input_path string 是 - 输入数据文件路径 (JSON/JSONL格式)
output_path string 是 - 输出数据文件路径 (JSONL格式)
hf_nsfw_model string 否 'Falconsai/nsfw_image_detection' HuggingFace上的NSFW检测模型
max_score float 否 0.5 最大NSFW分数阈值(0-1之间,低于此值保留)
any_or_all string 否 'any' 过滤策略:'any' 或 'all'
num_proc int 否 1 并行处理的进程数

输入数据格式

输入文件应为 JSON 或 JSONL 格式,每行包含一个样本,样本需包含 images 字段:

{"images": ["/path/to/image1.jpg", "/path/to/image2.jpg"]}

输出数据格式

输出为 JSONL 格式,每行一个符合条件的样本。

使用示例

命令行调用

python scripts/run_image_nsfw_filter.py \
  --input_path /path/to/input.jsonl \
  --output_path /path/to/output.jsonl \
  --max_score 0.0005 \
  --any_or_all any

参数说明

  • --input_path: 输入文件路径
  • --output_path: 输出文件路径
  • --hf_nsfw_model: NSFW检测模型(默认:Falconsai/nsfw_image_detection)
  • --max_score: 最大NSFW分数阈值(默认0.5,值越低越严格)
  • --any_or_all: 过滤策略,默认any
  • --num_proc: 并行进程数,默认1

注意事项

  1. 输入文件中的图像路径应为有效且可访问的文件路径
  2. 该算子需要加载HuggingFace模型,首次运行会下载模型,可能需要较长时间
  3. 依赖 torch,请确保已安装
  4. 处理大量数据时可适当增加 num_proc 提高效率