像鹰一样锐利，如AI般智能
一款革命性的计算机视觉系统，采用尖端人工智能技术，将图像分析提升至新高度。基于谷歌高效轻量级 MobileNetV2 架构，实现快速精准的视觉智能化。
鹰眼AI是新一代智能视觉平台，融合深度学习与迁移学习技术，打造高性能视觉分析引擎。系统继承 MobileNetV2 预训练模型的优秀特性，实现快速部署、高效推理、精准识别的完美统一。
- 🎯 智能图像分类 - 95%+ 的分类准确率
- 🚀 高性能API服务 - 毫秒级响应速度
- 🤖 自动化模型训练 - 一键启动迭代优化
- ⚡️ 实时预测能力 - 支持流式数据处理
- 📥 智能数据采集 - 自动构建训练数据集
- 🧠 TensorFlow 2.x - 强大的深度学习引擎
- ⚡️ FastAPI - 高性能异步Web框架
- 📱 MobileNetV2 - 轻量级神经网络架构
- 🐍 Python 3.6+ - 稳定可靠的开发语言
YiShouAI/
├── src/ # 源代码目录
│ ├── YingYanAI.py # 核心AI模型实现
│ ├── app.py # FastAPI 服务实现
│ ├── download_data.py # 数据采集工具
│ └── logger_config.py # 日志配置
├── tools/ # 实用工具目录
│ └── predict_test.py # 预测功能测试工具
├── models/ # 模型存储目录
│ ├── yingyan_model.h5 # 训练后的模型文件
│ └── class_names.txt # 类别名称映射文件
├── images/ # 图像数据目录
│ ├── train/ # 训练数据集
│ │ ├── {关键词1}/ # 根据搜索关键词自动创建的类别目录
│ │ └── {关键词2}/ # 根据搜索关键词自动创建的类别目录
│ ├── validation/ # 验证数据集
│ └── test/ # 测试数据集
├── log/ # 日志文件目录
│ └── *.log # 运行日志文件
└── README.md # 项目说明文档# 安装依赖
pip install tensorflow fastapi uvicorn python-multipart pillow icrawler
# 创建必要的目录
mkdir -p images/train images/validation models log创建必要的数据目录：
mkdir -p images/{train,validation,test}使用数据采集工具：
python src/download_data.py关键词格式说明：
- 使用下划线连接多个单词
- 示例关键词格式：
elon_musk # 人物类别
cute_cat # 动物类别
red_apple # 物品类别
sport_car # 交通工具
modern_building # 建筑类别
m*a_kh*lifa # 模糊匹配
mark_zuckerberg # 人物类别
示例操作：
请输入搜索关键词: porn_nude # 限制级内容
# 或
请输入搜索关键词: apple # 普通内容
是否为训练集？(y/n): y
需要下载多少张图片？(默认: 5): 10注意：请确保在 images 目录下创建以下子目录：
- train/ : 训练数据集
- validation/ : 验证数据集
- test/ : 测试数据集
完成数据采集后，可以直接运行模型训练：
python src/YingYanAI.py训练过程输出示例：
[鹰眼 AI]: 2025-02-04 12:44:24,490 - **main** - INFO - TensorFlow 版本: 2.13.0
Found 15 images belonging to 3 classes.
Found 15 images belonging to 3 classes.
[鹰眼 AI]: 2025-02-04 12:44:26,852 - **main** - INFO - 开始训练模型...
Epoch 1/10
1/1 [==============================] - 6s 6s/step - loss: 1.2042 - accuracy: 0.4000 - val_loss: 1.2801 - val_accuracy: 0.4667
Epoch 2/10
1/1 [==============================] - 2s 2s/step - loss: 1.3403 - accuracy: 0.4000 - val_loss: 1.1074 - val_accuracy: 0.5333
Epoch 3/10
1/1 [==============================] - 1s 1s/step - loss: 1.6560 - accuracy: 0.2667 - val_loss: 0.9599 - val_accuracy: 0.5333
Epoch 4/10
1/1 [==============================] - 2s 2s/step - loss: 1.5020 - accuracy: 0.4667 - val_loss: 0.8382 - val_accuracy: 0.7333
Epoch 5/10
1/1 [==============================] - 1s 1s/step - loss: 1.0760 - accuracy: 0.4667 - val_loss: 0.7422 - val_accuracy: 0.7333
Epoch 6/10
1/1 [==============================] - 1s 1s/step - loss: 1.0561 - accuracy: 0.6000 - val_loss: 0.6698 - val_accuracy: 0.8667
Epoch 7/10
1/1 [==============================] - 1s 1s/step - loss: 1.0602 - accuracy: 0.3333 - val_loss: 0.6113 - val_accuracy: 0.8667
Epoch 8/10
1/1 [==============================] - 1s 1s/step - loss: 0.6969 - accuracy: 0.8000 - val_loss: 0.5660 - val_accuracy: 0.8667
Epoch 9/10
1/1 [==============================] - 1s 1s/step - loss: 0.8998 - accuracy: 0.6000 - val_loss: 0.5307 - val_accuracy: 0.8667
Epoch 10/10
1/1 [==============================] - 2s 2s/step - loss: 0.9569 - accuracy: 0.7333 - val_loss: 0.5009 - val_accuracy: 0.8667
[鹰眼 AI]: 2025-02-04 12:44:47,790 - **main** - INFO - 模型训练完成!
[鹰眼 AI]: 2025-02-04 12:44:48,118 - **main** - INFO - 模型已保存至: models/yingyan_model.h5训练过程监控:
- 每个 epoch 会显示:
- loss: 训练损失值
- accuracy: 训练准确率
- val_loss: 验证损失值
- val_accuracy: 验证准确率
- 训练完成后模型自动保存到 models/yingyan_model.h5
- 详细日志记录在 log 目录下
python run.py控制台应用程序提供以下功能：
-
启动 API 服务
- 启动 FastAPI 服务器
- 默认端口：8000
- 支持热重载
-
启动实时监控
- 打开摄像头进行实时内容识别
- 支持视频录制和截图
- 实时显示识别结果
-
训练模型
- 一键启动模型训练
- 自动保存训练结果
- 显示训练进度
-
系统状态
- 查看 AI 模型加载状态
- 检查 API 服务就绪情况
- 监控实时监控系统状态
- 使用数字键 1-4 选择对应功能
- 按 q 退出程序
- 按 Enter 确认选择
- 系统状态界面按任意键返回主菜单
╭───────────────────────────────────────────────────────────────────────────────────────────────────────────────╮
│ │
│ 鹰眼 AI 系统控制台 │
│ ================= │
│ │
╰───────────────────────────────────────────────────────────────────────────────────────────────────────────────╯
╭──────┬──────────────╮
│ 选项 │ 描述 │
├──────┼──────────────┤
│ 1 │ 启动 API 服务 │
│ 2 │ 启动实时监控 │
│ 3 │ 训练模型 │
│ 4 │ 系统状态 │
│ q │ 退出系统 │
╰──────┴──────────────╯
请选择操作 [1/2/3/4/q]: - 开发环境
cd src && uvicorn app:app --host 0.0.0.0 --port 8000 --reload- 生产环境
cd src && uvicorn src.app:app --host 0.0.0.0 --port 8000 --workers 4服务将在 http://localhost:8000 启动，可通过 http://localhost:8000/docs 访问交互式 API 文档。
- 端点：
POST /predict - 功能：上传图片进行分类预测
- 示例：
curl -X POST "http://localhost:8000/predict" \
-H "accept: application/json" \
-H "Content-Type: multipart/form-data" \
-F "file=@/path/to/your/image.jpg"位于 tools/predict_test.py ，用于快速测试模型的预测功能。
使用方法：
确保 API 服务已启动
python tools/predict_test.py输出示例：
[鹰眼 AI]: 2025-02-04 03:46:15,189 - **main** - INFO - 鹰眼 AI 图像预测测试工具启动
[鹰眼 AI]: 2025-02-04 03:46:15,189 - **main** - INFO - ==============================
[鹰眼 AI] 请拖拽图片到此处: '/path/to/images/train/porn_nude/000001.jpg'
[鹰眼 AI]: 2025-02-04 03:46:19,696 - **main** - INFO - 正在处理图片: 000001.jpg
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 预测结果:
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 类别: 1
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 置信度: 98.90%
[鹰眼 AI]: 2025-02-04 03:46:20,477 - **main** - INFO - 是否包含限制级内容: 【是】功能特点：
- 支持拖拽图片文件进行测试
- 自动验证图片格式（支持 jpg、jpeg、png、bmp）
- 详细的日志记录
- 友好的中文交互界面
- 显示预测结果和置信度
示例输出:
[鹰眼 AI] 2024-02-04 15:30:45 - INFO - 鹰眼 AI 图像预测测试工具启动
[鹰眼 AI] ==============================
[鹰眼 AI] 请拖拽图片到此处: /path/to/image.jpg
[鹰眼 AI] 正在处理图片: image.jpg
[鹰眼 AI] 预测结果:
[鹰眼 AI] 类别: 1
[鹰眼 AI] 置信度: 95.23%响应格式：
{
"success": true,
"predicted_class": 0,
"confidence": 0.95
}使用实时监控工具可以通过摄像头进行即时内容识别：
python tools/live.py功能特点：
-
🎥 实时摄像头画面捕捉
-
🔍 即时内容分析与识别
-
⚡️ 毫秒级响应速度
-
📊 实时显示识别结果
-
📸 支持截图功能
-
📹 自动录制视频 操作说明：
-
按 'q' 键退出程序
-
按 's' 键保存当前画面截图 显示信息：
-
时间戳
-
画面尺寸
-
识别结果（安全/限制级）
-
识别置信度 存储位置：
-
视频文件： videos/capture_[时间戳].mp4
-
截图文件： screenshots/screenshot_[时间戳].jpg 注意：首次运行前请确保已完成模型训练，且模型文件存在于 models 目录下。
- 自动数据增强
- 迁移学习
- 模型自动训练
- RESTful API
- 实时预测
- 详细的日志记录
- 确保训练数据集在
images/train目录下按类别分类 - 验证数据集放置在
images/validation目录下 - 首次启动服务时如果没有预训练模型会自动开始训练
- 所有操作日志都会记录在
log目录下
- CPU 或 GPU (推荐)
- 内存：4GB 以上
- 磁盘空间：500MB 以上
在 src/YingYanAI.py 中添加以下代码来评估模型性能：
from sklearn.metrics import classification_report
# 加载测试数据
test_generator = val_datagen.flow_from_directory(
"images/test",
target_size=img_size,
batch_size=batch_size,
class_mode="categorical",
shuffle=False
)
# 评估模型
predictions = yyi.model.predict(test_generator)
y_pred = tf.argmax(predictions, axis=1).numpy()
y_true = test_generator.classes
print(classification_report(y_true, y_pred))使用保存的模型对新图像进行预测：
from tensorflow.keras.models import load_model
model = load_model("models/yingyan_model.h5")
image_path = "path_to_image.jpg"
img = tf.keras.preprocessing.image.load_img(image_path, target_size=(224, 224))
img_array = tf.keras.preprocessing.image.img_to_array(img)
img_array = tf.expand_dims(img_array, 0) # 添加批次维度
predictions = model.predict(img_array)
print(f"预测结果: {predictions}")| 参数名 | 说明 | 默认值 |
|---|---|---|
| train_dir | 训练数据目录路径 | "images/train" |
| img_size | 图像处理的目标尺寸 | (224, 224) |
| batch_size | 批处理大小 | 32 |
| epochs | 训练周期数 | 10 |
注：
- img_size 必须为 (224, 224)，这是 MobileNetV2 的要求
- batch_size 可根据可用内存大小调整
- epochs 可根据训练效果调整
- MobileNetV2：作为基础特征提取器，使用 ImageNet 预训练权重。
- 全局平均池化：将特征图压缩为一维向量。
- Dropout：随机丢弃 50% 神经元，防止过拟合。
- 全连接分类层：使用 Softmax 激活函数进行多分类。
- 准确率 (Accuracy)：模型预测正确的比例。
- 召回率 (Recall)：真正例中被正确预测的比例。
- F1 分数：综合衡量模型的精度和召回率。
| 类别 | Precision | Recall | F1-Score | Support |
|---|---|---|---|---|
| 0 | 0.95 | 0.94 | 0.95 | 34 |
| 1 | 0.96 | 0.97 | 0.96 | 36 |
| 准确率 | - | - | 0.95 | 70 |
| 宏平均 | 0.95 | 0.95 | 0.95 | 70 |
| 加权平均 | 0.95 | 0.95 | 0.95 | 70 |
注：
- Precision: 精确率
- Recall: 召回率
- F1-Score: F1 分数
- Support: 样本数量
本项目采用 木兰宽松许可证 (Mulan PSL) 进行许可。
有关详细信息，请参阅 LICENSE 文件。
如果您认为该项目对您有所帮助，并且愿意个人捐赠以支持其持续发展和维护，🥰 我非常感激您的慷慨。 您的捐赠将帮助我继续改进和添加新功能到该项目中。 通过financial donation，您将有助于确保该项目保持免 费和对所有人开放。即使是一小笔捐款也能产生巨大的影响，也是对我个人的鼓励。
微信支付 |
支付宝 |
