中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

為了提升圖庫公司審核圖片投稿的效率，我們或許可以搭建AI圖片評分系統，來幫助提升審核效率。那么，圖庫行業的AI圖片評分系統應該怎么搭建？本文梳理了基本思路與流程，一起來看一下，或許會對你有所啟發。

一、需求背景

圖庫行業，基本業務流是投稿——審核——入庫——上線銷售，對于國內幾大頭部圖庫公司，除代理版權圖片之外，均有自己的供稿人社區。例如：

• 視覺中國（代理Getty Images）：500px（攝影師社區）、愛視覺（插畫師社區）
• 圖蟲創意（代理Adobe Stock）：圖蟲（攝影師社區）
• 千圖網：千圖網（圖片、插畫、設計模板供稿）
• 站酷海洛（代理Shutter Stock）：站酷海洛（圖片、插畫供稿）

對于有自己社區、供稿途徑的公司來說，審核的效率是在審核、入庫環節的痛點。出于降本增效的目的，審核人員一定是有限的，不可能無止境的增加。而人工審核的效率，是相對固定的。隨著社區/供稿途徑的發展，投稿量、每日待審圖片勢必會持續增加。如果審核時間長，會導致投稿用的體驗差，給社區發展帶來明顯的負面影響。

因此，本文所述，是借助AI圖片評分系統，輔助審核提高審核效率，甚至直接完成一部分審核工作，從而提高審核速度，提高投稿人的用戶體驗及圖庫每日入庫圖片數量。該系統已用于實際生產中，達到預期目標，現作基本思路和流程的分享。

二、目標

輔助圖片審核，提高圖片審核效率。

三、目標用戶群

圖庫業務，圖片審核人員。

四、基本思路

對所有社區投稿內容（非簽約攝影師部分）給出AI評分，AI評分分為質量評分、美學評分，分別代表社區用戶對圖片的認可，以及圖片色彩、構圖等美學因素的評價。對于高于評分閾值的圖片推送到人工審核，對于低于閾值的圖片自動審核拒絕。

在審核系統中展示每張圖片的質量評分、美學評分，以供審核人員參考，方便在外包審核人員審美水平參差不齊的情況下提供參考和輔助，確保審核標準的相對統一和穩定。

五、核心流程示意圖

六、結構概述

整體系統開發流程分為以下幾大部分：

• 數據收集
• 數據處理
• 模型訓練（模型微調 Fine-tune）
• 模型評估
• 模型優化

最終會獲得訓練后的模型參數，模型參數結合底層模型構成AI評分應用，可對圖片進行AI評分，獲得質量評分與美學評分。

七、數據收集

模型訓練需要收集對應訓練數據集與測試數據集。為保證訓練出來模型參數的通用性和準確性，需要對數據集有一些構建策略。

1. 訓練數據集

從攝影師社區選取100萬張圖片，為保證訓練模型對各種類別、風格圖片的通用性，需要保證這100萬張圖片均勻分布于各類風格、主題，例如：人像、靜物、彩色、黑白、城市建筑、人文攝影等。并且為保證評分分布的多樣性，需要選取盡可能完整的用戶評分分布的圖片。

100萬張圖片取完之后，我們自然就獲得了100萬張圖片+評分的數據對，評分作為圖片的數據標簽。（為防止極端評分、不客觀評分的影響，每張圖片分數取所有用戶評分的中位數評分）該部分作為訓練質量評分模型的訓練數據集。

100萬張圖片中，抽取10萬張，交由眾包系統，進行人工美學評分。眾包人員來自各大高校設計、藝術相關專業在校生、畢業生。從而獲得10萬張圖片+美學評分的數據對，評分作為圖片數據標簽。該部分數據作為美學評分訓練的數據集。

2. 測試數據集

參照訓練數據及邏輯，再從攝影師社區選取1萬張圖片，盡可能在圖片分類、評分上分布均勻，確保多樣性。取圖片的用戶評分中位數作為質量評分參考，另通過眾包平臺給這1萬張圖片打上美學評分。該部分數據作為模型評估使用的測試數據集。

八、數據處理

1. 圖片壓縮

考慮到后續模型的處理效率，并且質量、美學評分更多看整體色塊像素分布，不需要太多細節，因此將圖片統一壓縮為224*224像素。

2. 數據歸一化處理

為讓數據在各個維度上分布更加一致，加速優化算法更快收斂。避免模型在一個特征維度上過渡你和，提高模型泛化能力。需要對數據進行歸一化處理。本方案中主要涉及兩部分，一是圖片像素的歸一化處理，二是評分的歸一化處理。

圖片像素值從0~255全部轉換到0~1的浮點數，質量評分、美學評分也轉換計算到0~1的浮點數。

九、模型訓練

1. 選擇模型

本方案，總共從多種模型中選擇了深度殘差網絡（ResNet）來進行訓練。對比了ResNet50、ResNet101、ResNet152三個模型，從效率（訓練速度）、評分預測準確性來進行模型評估，最終選擇了ResNet50即可滿足業務需求。

2. 模型微調（Fine-tune）

ResNet50是一個通用的特征提取器，先天在圖像分類、物體檢測、圖像分割、特征提取等圖像處理需求上有很好的支持。微調最終要的一步是替換模型最后一層（全連接層），因為我們期望的評分是一個連續分值，屬于回歸問題，ResNet50默認的最后一層是離散輸出，適用于分類問題。原始ResNet50輸出單元數量是1000，相當于1000個類別。我們需要改為輸出單元數量為1，并通過激活函數限定保證輸出的預測分值在0~1之間。

3. 損失函數

本案例中我們選擇了最常用的回歸損失函數均方誤差（MSE），計算預測值和真實值之間的平方差的平均值。

4. 優化器

案例中考慮到綜合性能，我們選擇了Adam作為優化器。

5. 訓練模型

上述工作完畢之后開始進行模型訓練，最終輸出了兩個模型參數，分別用于預測圖片質量評分、美學評分。

十、模型評估

使用測試數據集（測試數據集是完全與訓練數據集無交集的獨立數據集）對模型輸出的質量評分、美學評分進行了測試。最終與人工評分整體誤差控制在10%~15%。

十一、模型優化

整個模型訓練的過程相對簡單，期間我們進行的模型優化主要在以下幾方面：

• 模型選擇：在ResNet50、ResNet101、ResNet152之間，從訓練效率、輸出準確性綜合評估。
• 訓練周期評估：基于Early Stopping，盡可能降低訓練時間，避免過擬合，在準確度沒有明顯提升的訓練周期及時停止周期的增加。
• 優化器&學習率優化：由算法工程師測試不同優化器、學習率，確保最終模型評分與人工評分誤差在可接受范圍內。

十三、其他知識分享

因為這一塊，也是現有了需求，再從需求想解決方案，其實很多技術對于產品經理的我來說都是0基礎，好在有一些開發背景情況下了解得會快一些。

對于產品經理來說，一些技術知識夠用即可，所謂夠用即可以知道什么技術能干什么事，怎么評估不同技術和方案的好壞，能夠結合技術給出解決方案，能夠和技術同學更好的溝通即可。

反而不能夠太過于鉆一塊技術，想著自己如何如何深入，人的時間經歷是有限的，如何發現問題，解決問題才是這個工作的核心所在（個人所見，不一定對）。

所以在這個項目里，一些基礎的知識做了些思維導圖，不一定很對，沒有仔細校驗過，可以分享給有需要的同學。

1. 深度學習優化器

2. 深度學習損失函數

3. PyTorch

4. 開源機器學習庫

5. 圖像處理模型