虛擬試穿安全分類器：專為內容審核打造的開源模型

我們今天在 Hugging Face 上以 Apache-2.0 授權發布了 虛擬試穿安全分類器（Virtual Try-On Safety Classifier）。它能透過商品照片回答一個核心問題：如果顧客試穿這件商品，生成的照片會呈現什麼畫面？

我們開發此模型的初衷，是在商品進入 虛擬試穿 模型前進行把關。任何允許上傳任意商品圖片的試穿服務都會面臨相同挑戰，因此我們決定將模型、標註準則與評估結果一併公開。

為何 NSFW 偵測器不適用於虛擬試穿

虛擬試穿需要人物照片和商品照片，進而生成人物穿著該商品的畫面。風險存在於最終生成的結果，但在生成前，我們唯一能檢查的只有商品本身。

通用的 NSFW（工作場所不宜）偵測器是根據輸入圖片的像素進行判斷。但對於商品照片來說，這完全搞錯了重點：

• 平放拍攝的內衣沒有裸露。 但虛擬試穿的結果會顯示顧客穿著內衣。
• 白底上的胸貼只是一小塊布料。 但虛擬試穿的結果會是上空。
• 穿在假人模特兒上的乳膠頭套並不暴露。 但它仍是情趣用品。
• 裸體模特兒只戴著一條項鍊的照片很暴露。 但項鍊本身是正常的商品。

我們曾使用 141 件已標註的商品，對三款知名的開源 NSFW 影像分類器（NudeNet、nsfw-vit 和 Falconsai）進行早期測試，結果它們的判斷與我們的標籤一致率僅有 48% 到 62%。而針對此特定問題制定了自訂策略的 Google ShieldGemma 2，一致率則達到 71.6%。這些模型都正常運作，只是它們回答的是另一個問題。

分類器的預測內容

每件商品都會獲得一個分級，依嚴重程度排序：

分級旁還有三個額外輸出標籤：

• subject（主體）：human_clothing、pet 或 not_clothing。狗胸背帶和綁縛胸帶在商品圖中看起來很像；假髮、化妝品和家居用品則會被標記為非服飾。
• swimwear（泳裝）：regular、near_micro 或 micro。普通（regular）和近乎迷你（near micro）屬於 revealing，迷你（micro）則屬於 adult。商品名稱中的「microkini」無關緊要，一切由照片決定。
• ravewear（派對服飾）：true 或 false，用於音樂節服飾。它不會改變分級，但這類服飾是模型最難確定的部分，因此這項資訊很有幫助。

這些分級描述的是輸出結果，而非商品或商店本身。合適的門檻取決於受眾：內衣品牌會允許 lingerie，而兒童購物平台可能連 revealing 都會阻擋。模型還會回傳一個 blocked 標籤（adult 機率大於等於 0.3），能比僅看最高分級攔截更多成人商品，且誤判率僅會微幅上升。

難以判定的案例

大多數商品都很容易判斷。我們的策略是為了處理那些困難的案例，每一條規則都源自於需要做出決定的真實商品：

完整的策略（包含各分級與標籤的規則）已與權重一同發布為 LABELLING_POLICY.md。

本文開頭的範例是我們在自家示範目錄上運作發布模型的結果。長袖泳衣是個很好的例子：雖然是長袖且正面有拉鍊，但下半身剪裁如同連身泳衣，因此虛擬試穿會顯示泳衣等級的包覆度，模型判斷為 revealing。而旁邊的繞頸運動內衣則以 0.97 的機率保持 ok。

我們的開發過程

資料： 我們從網路商店目錄中挑選了約 2,600 件商品（約 5,000 張照片），涵蓋了困難案例：內衣、迷你泳裝、情趣服飾、派對服飾、Cosplay 與寵物服飾，並加入了大量日常時尚服飾，以免模型過度攔截。我們只使用商品照片，絕不使用顧客照片。任何可能顯示未成年人處於暴露或性感環境的商品，都已從資料中永久移除。

標註： Claude 遵循書面策略，在查看所有照片並閱讀標題與描述後，對每件商品進行標註。人工審查員針對每個分級檢查校準範例並修正邊界案例，這些決策隨後也被納入策略中。該策略經過多次修改；例如，當我們確認多數內衣並不露骨後，就將 lingerie 分級從 adult 中獨立出來。

模型： 底層模型為 Google 的 SigLIP 2（so400m，patch 16，384 px），採用 Apache-2.0 授權。我們提供兩種變體：

系統會針對商品的所有照片進行綜合評分，因為一張照片中隱藏的細節往往會在另一張照片（如背面圖、布料特寫）中顯露。

我們也曾嘗試使用輸入相同策略的頂尖 LLM。雖然準確率相近，但每次呼叫大約需要 1.6 秒，且仍需為超時情況設定備用方案。而視覺分類器在 GPU 上處理每張照片只需幾十毫秒，每次都會給出相同的答案，並且可以在策略改變時重新訓練。

模型表現

我們對 2,596 件商品進行了五折交叉驗證：每件商品都由在訓練期間從未見過它的模型進行評分。

依商品類別劃分（微調版，最高分級）：

真正的迷你泳裝：95 件中成功攔截 91 件。

測試集刻意設計得具有挑戰性。在多數商店販售的日常時尚目錄上，準確率高達 97.5%。

限制

• 透視內衣是最難界定的邊界。 乳頭或生殖器是否清晰可見，決定了商品是 lingerie 還是 adult，而外觀相似的商品可能分屬兩側。大多數的剩餘錯誤都發生在此。
• 音樂節與派對服飾表現最弱。 漁網、網眼和水鑽設計容易使模型偏向 adult。
• 以西方電子商務攝影風格為主。 對於風格差異極大的照片，準確率可能會較低。
• 它分類的是商品，不是人。 請勿使用此模型來辨識人物或對人物做出決策。

如何使用

# pip install torch open_clip_torch safetensors huggingface_hub pillow
from huggingface_hub import hf_hub_download
import importlib.util

spec = importlib.util.spec_from_file_location(
    "tryon_safety",
    hf_hub_download("Genlook/tryon-safety-classifier", "tryon_safety.py"),
)
tryon_safety = importlib.util.module_from_spec(spec)
spec.loader.exec_module(tryon_safety)

clf = tryon_safety.TryOnSafetyClassifier.from_pretrained(
    "Genlook/tryon-safety-classifier", revision="v1.0"
)
pred = clf.predict(["front.jpg", "back.jpg"])  # 一件商品的所有照片
print(pred.level, pred.blocked, pred.subject, pred.swimwear, pred.ravewear)

請固定版本 revision="v1.0"，確保更新不會在未經您選擇的情況下改變結果。推論過程只需 open_clip 和 torch，且權重為 safetensors 格式。

歡迎在 模型儲存庫 的 Discussions 分頁回報誤判情況，或提供下一版本的建議。

這對 Genlook 意味著什麼

Genlook 試穿 API 已經會在回傳虛擬試穿結果前，對每件商品進行檢查：成人和情趣商品將被拒絕，而泳裝、內褲和內衣則需要付費帳號才能使用。被拒絕的虛擬試穿會顯示 CONTENT_POLICY_VIOLATION 錯誤，並會退還扣除的額度（錯誤參考）。此分類器正是我們為了該檢查流程所打造的模型。

對於開發者而言，這意味著安全性已內建於 API 中，無需再額外開發相關機制。單一端點即可涵蓋所有商品類型，方案用戶每次虛擬試穿僅需 $0.02，大量使用可降至 $0.015（按需付費為 $0.04），新帳號還可獲得免費額度。

總結

• 本次發布： 基於 SigLIP 2 開發、採用 Apache-2.0 授權的分類器，能透過商品照片預測商品虛擬試穿後的結果畫面。
• 存在意義： NSFW 偵測器根據商品照片的像素進行判斷，這在虛擬試穿中是錯誤的切入點。三款 NSFW 偵測器在我們的標籤測試中，準確率僅有 48% 到 62%。
• 輸出結果： 四個分級（ok、revealing、lingerie、adult），以及主體、泳裝和派對服飾標籤。
• 準確率： 在刻意設計的高難度資料集中，四個分級的綜合準確率為 94.6%；在日常時尚類別中為 97.5%；在繩索與綁縛類別中為 100%。
• 開源政策： 權重、推論程式碼與標註策略均已公開。訓練資料則未公開。

在 Hugging Face 取得模型、在 platform.genlook.app 取得 API 金鑰，或是在您的商店加入虛擬試穿功能。