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

当前版本：v1.0.2（推荐部署）

项目	值
版本	v1.0.2
文件	`efficientNet/V2M/efficientNet-V2M-best-fp16.onnx`（同 v1.0.2 权重）
版本归档	`efficientNet/V2M/efficientNet-V2M-best-fp16-v1.0.2.onnx`
架构	`tf_efficientnetv2_m`（timm）
输入尺寸	384 × 384
精度	FP16（ONNX 输入须 `float16`）
权重	best checkpoint（`best.pt` → FP16；训练启用 EMA 但本版导出为 best）
大小	~101 MB
训练数据	~41K（`data_36K_v6`，40,928 张：v5 基座 + createporn 扩增）
基座	从头训练（50 epoch，`resume: null`）
定位	v6 数据集合并重训

训练验证集（`data_36K_v6_split/val`）

项目	值
Overall Acc	92.91%（epoch 46，best val acc）
训练 epoch	50
最优 epoch	46

与 v1.0.1 使用的 data_20K_v3_split/val、data_24K_v4_split/val 为不同划分，Overall 不可直接对比。

数据构成（`data_36K_v6`）

等级	样本数	来源
L1	11,233	v5 11,076 + createporn 157
L2	5,468	v5 4,455 + createporn 1,013
L3	10,838	v5 9,040 + createporn 1,798
L4	13,389	v5 8,718 + createporn 4,671
合计	40,928	v5（`data_33K_v5`）+ createporn 导出

变更摘要

训练数据合并为 data_36K_v6（v5 + createporn，共 40,928 张）
在 v6 数据上 从头训练 50 epoch（非 v1.0.1 resume）
导出 best_fp16.onnx 作为线上部署权重

ONNX Runtime 推理（V2M v1.0.2）

python

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

MODEL_PATH = "efficientNet/V2M/efficientNet-V2M-best-fp16.onnx"
IMG_SIZE = 384
CLASS_NAMES = ["L1", "L2", "L3", "L4"]

session = ort.InferenceSession(MODEL_PATH, providers=["CPUExecutionProvider"])
input_name = session.get_inputs()[0].name
input_dtype = np.float16  # FP16 模型必须用 float16 喂入

transform = transforms.Compose([
    transforms.Resize((IMG_SIZE, IMG_SIZE)),
    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().astype(input_dtype)

outputs = session.run(None, {input_name: input_tensor})[0]
pred_id = int(np.argmax(outputs, axis=1)[0])
print(f"预测等级: {CLASS_NAMES[pred_id]}")

推理服务（本地）

bash

cd image_L_class_train/tools/inference_server
python app.py \
  --model-path /path/to/efficientNet-V2M-best-fp16.onnx \
  --model-format onnx \
  --img-size 384 \
  --device cpu \
  --port 6006

支持 file / files 上传，以及 JSON/form 字段 image_url。

历史版本：v1.0.1

项目	值
训练数据	~30.6K（含 ~4K qwen-image-edit）
基座	v1.0.0 权重 `--resume` 微调（40 epoch）
定位	L2 / L3 边界档加强
权重	EMA（`best_ema.pt` → FP16）
版本归档	`efficientNet/V2M/efficientNet-V2M-ema-fp16-v1.0.1.onnx`

同集对比（`data_20K_v3_split/val`，5224 张 @384）

等级	v1.0.0	v1.0.1	Δ
Overall	92.99%	94.08%	+1.09
L1 Recall	95.35%	96.05%	+0.70
L2 Recall	86.67%	88.30%	+1.63
L3 Recall	85.54%	89.19%	+3.65
L4 Recall	96.69%	96.86%	+0.17

训练验证集（`data_24K_v4_split/val`，6113 张）

等级	Precision	Recall	样本数
Overall	—	96.52%	6113
L1	97.51%	97.55%	2124
L2	92.53%	93.65%	913
L3	96.45%	94.88%	1290
L4	97.44%	97.93%	1786

历史版本：v1.0.0

项目	值
训练数据	~26K（Civitai 人工复核）
验证集	`data_20K_v3_split/val`，5224 张
Overall Acc	92.99%

等级	Acc	Precision	Recall	样本数
L1	95.35%	94.48%	95.35%	1848
L2	86.67%	88.32%	86.67%	855
L3	85.54%	90.56%	85.54%	740
L4	96.69%	94.56%	96.69%	1781

历史模型：EfficientNet-B0（轻量版）

项目	值
文件	`efficientNet/B0/efficientNet-B0.onnx`
架构	EfficientNet-B0
输入尺寸	224 × 224（Resize 256 + CenterCrop 224）
精度	FP32
大小	~14 MB

分类精度（B0 基准）

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

ONNX Runtime 推理（B0）

python

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

session = ort.InferenceSession("efficientNet/B0/efficientNet-B0.onnx")
input_name = session.get_inputs()[0].name

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()

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]}")

权重文件一览

路径	大小	说明
`efficientNet/V2M/efficientNet-V2M-best-fp16.onnx`	~101 MB	当前部署：V2M best FP16 @384 v1.0.2
`efficientNet/V2M/efficientNet-V2M-best-fp16-v1.0.2.onnx`	~101 MB	v1.0.2 版本归档（best）
`efficientNet/V2M/efficientNet-V2M-ema-fp16.onnx`	~101 MB	遗留指针 → v1.0.1 EMA（勿用于 v1.0.2）
`efficientNet/V2M/efficientNet-V2M-ema-fp16-v1.0.1.onnx`	~101 MB	v1.0.1 版本归档（EMA）
`efficientNet/B0/efficientNet-B0.onnx`	~14 MB	历史轻量 FP32 @224

训练与继续微调

训练代码：image_L_class_train
框架：timm + PyTorch
线上 badcase 对齐 / 继续微调：见仓库内 docs/上线继续训练.md

部署建议

场景	建议
生产	V2M FP16 @384 v1.0.2，ONNX Runtime
GPU	FP32 ONNX + CUDA（低延迟）
CPU	FP16 ONNX；可设 `OMP_NUM_THREADS=32`
轻量	B0 FP32 @224

jiangchengchengNLP/image_l_class

Image L-Class — 图片内容分级 (L1–L4)

分类标准

当前版本：v1.0.2（推荐部署）

训练验证集（data_36K_v6_split/val）

数据构成（data_36K_v6）

变更摘要

ONNX Runtime 推理（V2M v1.0.2）

推理服务（本地）

历史版本：v1.0.1

同集对比（data_20K_v3_split/val，5224 张 @384）

训练验证集（data_24K_v4_split/val，6113 张）

历史版本：v1.0.0

历史模型：EfficientNet-B0（轻量版）

分类精度（B0 基准）

ONNX Runtime 推理（B0）

权重文件一览

训练与继续微调

部署建议

jiangchengchengNLP/
image_l_class

训练验证集（`data_36K_v6_split/val`）

数据构成（`data_36K_v6`）

同集对比（`data_20K_v3_split/val`，5224 张 @384）

训练验证集（`data_24K_v4_split/val`，6113 张）