nsfwpy 0.1.4.5

A lightweight Python library for NSFW content detection using ONNX models

nsfwpy

English | 简体中文

nsfwpy

一个轻量级Python库，使用深度学习模型进行图像内容分析，可以识别图像是否包含不适宜内容。支持常见图片格式以及GIF，支持常见视频格式。

特性

• 轻量级实现，依赖少，易于部署
• 支持多种图像格式输入（几乎所有常见格式）
• 支持GIF、视频输入
• 提供命令行工具、Python API和HTTP API接口
• 支持Windows和其他操作系统
• 自动下载和缓存模型文件
• 提供预编译版本
• 支持硬件加速（CUDA、TensorRT、DirectML、CoreML、OpenVINO）
• 智能检测中国境内用户并自动使用镜像加速下载

安装

📊 快速选择安装方式

使用场景	推荐方式	全局可用	需要Python
开发/测试	pip 安装	❌	✅
个人日常使用	pipx 安装	✅	✅
服务器部署	Docker 或预编译版	✅	❌
无 Python 环境	预编译版本	✅	❌
多项目开发	虚拟环境 + pip	❌	✅

方式1: pip 安装（推荐，适合开发使用）

pip install nsfwpy

注意： 这种方式安装后，nsfwpy 命令只在当前 Python 环境中可用。如果使用虚拟环境，需要先激活环境才能使用命令。

方式2: pipx 安装（推荐，全局使用）

pipx 会为 nsfwpy 创建独立的虚拟环境，同时让命令全局可用，是最佳的全局安装方案：

# 安装 pipx（如果还没有）
pip install pipx
pipx ensurepath

# 使用 pipx 安装 nsfwpy
pipx install nsfwpy

# 现在可以在任何地方使用 nsfwpy 命令
nsfwpy --help

优点：

• ✅ 全局可用，无需激活环境
• ✅ 依赖隔离，不影响其他项目
• ✅ 易于管理和升级

方式3: 系统级全局安装（不推荐）

# 直接安装到系统 Python（可能需要 sudo）
pip install --user nsfwpy  # 用户级安装
# 或
sudo pip install nsfwpy    # 系统级安装（不推荐）

警告： 可能与系统包管理器冲突，建议使用 pipx 代替。

方式4: 从源码安装

git clone https://github.com/HG-ha/nsfwpy.git
cd nsfwpy
pip install -e .

方式5: 预编译版本（推荐，无需 Python 环境）

预编译版本无需安装 Python，开箱即用，且可全局使用：

1. 下载：前往 Release 下载对应平台的版本

2. 安装为全局命令：

   Linux/macOS:

   # 下载后
   chmod +x nsfwpy-*-linux-x86_64
   sudo mv nsfwpy-*-linux-x86_64 /usr/local/bin/nsfwpy
   
   # 现在可以在任何地方使用
   nsfwpy --help
   

   Windows:

   # 方法1: 添加到 PATH（推荐）
   # 1. 将 nsfwpy.exe 放到一个目录，如 C:\Program Files\nsfwpy\
   # 2. 将该目录添加到系统 PATH 环境变量
   # 3. 重启命令行，即可在任何地方使用 nsfwpy 命令
   
   # 方法2: 直接使用完整路径
   C:\path\to\nsfwpy.exe --help
   

优点：

• ✅ 无需安装 Python
• ✅ 无依赖冲突
• ✅ 下载即用
• ✅ 可全局使用

方式6: Docker（推荐，服务器部署）

# 运行 API 服务
docker run -p 8000:8000 yiminger/nsfwpy

# 使用指定模型
docker run -e NSFWPY_MODEL_TYPE=m2 -p 8000:8000 yiminger/nsfwpy

方式7: Termux (Android)

pkg install -y build-essential cmake ninja patchelf python3 git python-pip python-onnxruntime python-pillow rust
git clone https://github.com/HG-ha/nsfwpy.git && cd nsfwpy
pip install -e .
nsfwpy --help

✅ 验证安装

安装完成后，验证是否成功：

# 查看版本
nsfwpy --help

# 测试图片检测
nsfwpy --input test.jpg

# 启动 Web 服务测试
nsfwpy --web --port 8000

🔧 编译其他平台版本

参考 build.bat | build.sh 脚本自行编译

使用方法

硬件加速支持

⚠️ 注意： 默认安装只包含 CPU 支持。如需使用 GPU 等硬件加速，需要安装对应的 onnxruntime 版本：

# NVIDIA GPU (CUDA)
pip uninstall onnxruntime
pip install onnxruntime-gpu

# DirectML (Windows GPU)
pip uninstall onnxruntime
pip install onnxruntime-directml

# 其他加速后端请参考 ONNX Runtime 官方文档

nsfwpy 支持多种硬件加速选项以提升推理性能：

from nsfwpy import NSFW

# 自动选择最佳可用设备（推荐）
detector = NSFW(device='auto')

# 使用特定设备
detector_cuda = NSFW(device='cuda')      # NVIDIA GPU (CUDA)
detector_tensorrt = NSFW(device='tensorrt')  # NVIDIA GPU (TensorRT)
detector_dml = NSFW(device='dml')        # Windows DirectML
detector_coreml = NSFW(device='coreml')  # Apple CoreML (macOS/iOS)
detector_openvino = NSFW(device='openvino')  # Intel OpenVINO
detector_cpu = NSFW(device='cpu')        # CPU only

支持的加速后端：

• auto: 自动选择最佳设备（默认）
• cuda: NVIDIA CUDA（需要安装 onnxruntime-gpu）
• tensorrt: NVIDIA TensorRT（需要安装 onnxruntime-gpu）
• dml: DirectML - Windows GPU（需要安装 onnxruntime-directml）
• coreml: Apple CoreML (macOS/iOS)
• openvino: Intel OpenVINO
• cpu: CPU（无需额外安装）

环境变量配置

# 模型路径配置
NSFWPY_ONNX_MODEL=/path/to/model.onnx  # 自定义模型路径
NSFWPY_MODEL_TYPE=d                     # 模型类型：d(默认)/m2/i3
NSFW_ONNX_MODEL=/path/to/model.onnx    # 备用环境变量

# 中国境内镜像加速（自动检测，也可手动配置）
NSFWPY_USE_CHINA_MIRROR=1              # 强制使用国内镜像（1/true/yes）
NSFWPY_GITHUB_MIRROR=https://ghproxy.cn  # 自定义镜像地址

# 内存管理配置
NSFWPY_CLEANUP_INTERVAL=100            # 自动垃圾回收间隔（推理次数），默认100，设为0禁用
NSFWPY_GPU_MEM_LIMIT=524288000         # GPU显存限制（字节），默认500MB
NSFWPY_INTRA_THREADS=1                 # ONNX Runtime内部并行线程数，默认自动检测（单核=1，多核=核心数/2，最多4）
NSFWPY_INTER_THREADS=1                 # ONNX Runtime跨操作并行线程数，默认自动检测（单核=1，多核=核心数/4，最多2）

Python API

from nsfwpy import NSFW

# 初始化检测器（首次运行会自动下载模型）
detector = NSFW()

# 预测单个图像
result = detector.predict_image("path/to/image.jpg")
print(result)

    # 预测PIL图像
    from PIL import Image
    img = Image.open("path/to/image.jpg")
    result = detector.predict_pil_image(img)
    print(result)

    # 批量预测目录中的图像
    results = detector.predict_batch("path/to/image/directory")
    print(results)

    # 预测视频文件
    result = detector.predict_video(
        "path/to/video.mp4",
        sample_rate=0.1,  # 采样率，表示每10帧取1帧
        max_frames=100    # 最大处理帧数
    )
    print(result)
    ```

- 命令行工具

    ```bash
    # 基本用法
    nsfwpy --input path/to/image.jpg

    # 指定自定义模型路径
    nsfwpy --model path/to/model.onnx --input path/to/image.jpg

    # 指定模型类型 (d: 默认模型, m2: mobilenet_v2, i3: inception_v3)
    nsfwpy --type m2 --input path/to/image.jpg

    # 启动Web API服务
    nsfwpy -w [--host 127.0.0.1] [--port 8080]
    ```

命令行参数说明：
- `--input`: 要检测的图像或视频文件路径
- `--model`: 自定义模型文件路径（指定此参数时将忽略--type）
- `--type`: 模型类型选择，可选值：d(默认), m2, i3
- `-w, --web`: 启用Web API服务
- `--host`: API服务器主机名（默认：0.0.0.0）
- `--port`: API服务器端口（默认：8000）
- `-s, --sample-rate`: 视频采样率，范围0-1（默认：0.1）
- `-f, --max-frames`: 视频最大处理帧数（默认：100）

### Web API服务（完全兼容 nsfwjs-api）

- 启动API服务器：

    ```bash
    # 基本用法
    nsfwpy -w

    # 指定主机和端口
    nsfwpy -w --host 127.0.0.1 --port 8080

    # 指定自定义模型
    nsfwpy -w --model path/to/model.onnx
    ```

- API端点：
    - `POST /classify`: 分析单张图片（支持图片和GIF）
    - `POST /classify-many`: 批量分析多张图片
    - `POST /classify-video`: 分析视频文件

- API文档：
    - [http://127.0.0.1:8000/docs](http://127.0.0.1:8000/docs)

- 请求：
    - /classify
        ```
        curl --location --request POST 'http://127.0.0.1:8000/classify' \
        --form 'image=@"image.jpeg"'
        ```
    - /classify-many
        ```
        curl --location --request POST 'http://127.0.0.1:8000/classify-many' \
        --form 'images=@"image.jpeg"' \
        --form 'images=@"image2.jpeg"'
        ```
    - /classify-video
        ```
        curl --location --request POST 'http://127.0.0.1:8000/classify-video' \
        --form 'video=@"video.mp4"' \
        --form 'sample_rate=0.1' \
        --form 'max_frames=100'
        ```

### 预测结果格式

返回包含以下类别概率值的字典：
```python
{
    "drawing": 0.1,    # 绘画/动画
    "hentai": 0.0,     # 动漫色情内容（変態）
    "neutral": 0.8,    # 中性/安全内容
    "porn": 0.0,       # 色情内容
    "sexy": 0.1        # 性感内容
}

致谢

本项目的模型基于 nsfw_model 以及 nsfwjs。感谢原作者的贡献。

推荐资源

1. 天狼星框架：https://www.siriusbot.cn/
2. 镜芯API：https://api2.wer.plus/
3. 林枫云_站长首选云服务器：https://www.dkdun.cn/
4. ICP备案查询：https://icp.show/