【笔记】Roop 之 NSFW 检测屏蔽测试
一、免责声明
免责声明：
仅用于记录测试之用，修改后需自行承担相关风险和责任。
项目地址：
请注意：该项目 原作者已经停止更新了！
s0md3v/roop: one-click face swap
二、关键文件与修改点
（一）关键文件
主要涉及改动两个文件：
1、core.py
core.py 文件在项目中的路径：
roop\roop\core.py
这个文件（roop/roop/core.py）中包含了 NSFW 检测的调用，主要体现在对predictor.py中相关检测函数的使用，具体如下：
主要功能
-
图像 NSFW 检测调用
在处理图像时，通过predict_image函数检测目标图像是否为 NSFW 内容：# 处理图像到图像的流程中 if has_image_extension(roop.globals.target_path):if predict_image(roop.globals.target_path): # 调用NSFW图像检测destroy() # 若检测到NSFW内容，终止程序# 后续处理逻辑... -
视频 NSFW 检测调用
在处理视频时，通过predict_video函数检测目标视频是否包含 NSFW 内容：# 处理图像到视频的流程中 if predict_video(roop.globals.target_path): # 调用NSFW视频检测destroy() # 若检测到NSFW内容，终止程序 # 后续处理逻辑...
依赖与实现
这些调用与predictor.py中实现的 NSFW 检测功能相呼应，是 Roop 项目防止处理不当内容的核心措施之一，符合其免责声明中提到的内容审核机制。
2、predictor.py
predictor.py 文件在项目中的路径：
roop\roop\predictor.py
这个文件（roop/roop/predictor.py）主要用于实现对图像和视频内容的 NSFW（Not Safe For Work，不适宜工作场合）检测功能，是 Roop 项目中用于内容审核的模块。其核心功能和实现细节如下：
主要功能
-
NSFW 检测模型管理
- 通过
get_predictor()函数初始化并获取 NSFW 检测模型（基于opennsfw2库构建），使用线程锁确保模型初始化的线程安全。 - 提供
clear_predictor()函数用于清除已加载的模型。
- 通过
-
多类型内容检测
- 帧检测（
predict_frame）：对视频帧（Frame类型）进行检测，将帧转换为图像后预处理，通过模型预测其 NSFW 概率，若超过阈值（MAX_PROBABILITY = 0.85）则返回True。 - 图像检测（
predict_image）：直接检测指定路径的图像文件，返回是否为 NSFW 内容。 - 视频检测（
predict_video）：对视频文件进行检测，每隔 100 帧采样一次，若存在任一帧超过阈值则返回True。
- 帧检测（
依赖与实现
- 依赖
opennsfw2库提供的模型和预处理工具，以及PIL、numpy、keras等用于图像处理和模型运行的库。 - 通过设置阈值（0.85）判断内容是否属于 NSFW，帮助 Roop 项目过滤不当内容，符合其免责声明中提到的 “防止软件用于不当内容（如裸露内容）” 的措施。
（二）修改点
1、core.py
在 Roop 项目中，若出于研究和测试目的需要屏蔽 NSFW 检测功能，可通过修改代码中调用 NSFW 检测的相关逻辑来实现。以下是具体方法：
方法：注释或移除 NSFW 检测调用代码
在 roop/roop/core.py 文件中，NSFW 检测主要通过 predict_image 和 predict_video 函数实现，只需屏蔽这两处调用即可。
-
处理图像时的 NSFW 检测
找到start()函数中处理图像的部分，注释掉检测图像是否为 NSFW 的代码：# 原始代码 if has_image_extension(roop.globals.target_path):# 注释掉此行以屏蔽图像NSFW检测# if predict_image(roop.globals.target_path):# destroy()shutil.copy2(roop.globals.target_path, roop.globals.output_path)# 后续处理逻辑... -
处理视频时的 NSFW 检测
找到start()函数中处理视频的部分，注释掉检测视频是否包含 NSFW 内容的代码：# 原始代码 # 注释掉此行以屏蔽视频NSFW检测 # if predict_video(roop.globals.target_path): # destroy() update_status('Creating temporary resources...') create_temp(roop.globals.target_path) # 后续处理逻辑...
说明
- 上述修改直接跳过了对目标图像 / 视频的 NSFW 检测，使得程序不会因检测到不当内容而终止。
- 该操作仅适用于合法的研究和测试场景，需遵守项目的免责声明和相关法律法规，不得用于不当内容处理。
- 项目原本的 NSFW 检测是为了防止滥用，修改后需自行承担相关风险和责任。
2、predictor.py
若需屏蔽 NSFW 检测结果（即让检测始终返回 “无不当内容”），可通过修改检测函数的返回值实现，具体修改如下：
方法：强制返回False
在predictor.py中，将所有检测函数的返回值改为False，使程序始终判定内容为 “安全”：
# 修改 predict_frame 函数
def predict_frame(target_frame: Frame) -> bool:# 注释原有检测逻辑，强制返回False# image = Image.fromarray(target_frame)# image = opennsfw2.preprocess_image(image, opennsfw2.Preprocessing.YAHOO)# views = numpy.expand_dims(image, axis=0)# _, probability = get_predictor().predict(views)[0]# return probability > MAX_PROBABILITYreturn False# 修改 predict_image 函数
def predict_image(target_path: str) -> bool:# 注释原有检测逻辑，强制返回False# return opennsfw2.predict_image(target_path) > MAX_PROBABILITYreturn False# 修改 predict_video 函数
def predict_video(target_path: str) -> bool:# 注释原有检测逻辑，强制返回False# _, probabilities = opennsfw2.predict_video_frames(video_path=target_path, frame_interval=100)# return any(probability > MAX_PROBABILITY for probability in probabilities)return False
说明
- 上述修改直接跳过了实际的 NSFW 概率计算，无论内容是否包含不当信息，均返回
False（即 “未检测到 NSFW 内容”）。 - 该操作仅适用于合法的研究和测试场景，需严格遵守项目的免责声明及相关法律法规，不得用于处理不当内容。
- 修改后，程序将不再因 NSFW 检测结果终止运行，但需自行承担由此带来的风险和责任。
三、总结
为探索 NSFW 检测的研究需求，本次采取的技术思路是：修改predictor.py中核心检测函数的返回逻辑，将predict_frame、predict_image、predict_video三个函数的返回值强制设为False，跳过原有的概率计算与阈值判断流程，使程序始终判定内容为 “安全”。
此修改仅用于技术研究场景，需严格遵守法律法规及项目协议，禁止用于处理不当内容，使用者自行承担相关责任。
仅用于记录测试之用，修改后需自行承担相关风险和责任。