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](https://huggingface.co/Genlook/tryon-safety-classifier)（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](/glossary/virtual-try-on) 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 | 虛擬試穿結果顯示內容 | 範例 |
|---|---|---|
| `ok` | 顧客正常穿著 | 日常服飾、運動服、防寒衣、像一般衣服般包覆的 Cosplay 服裝、配件 |
| `revealing` | 泳衣等級的包覆度 | 比基尼與連身泳衣、男士內褲、塑身衣、超短褲、多數音樂節服飾 |
| `lingerie` | 女士內衣，未露出私密部位 | 胸罩、內褲、內衣套裝、連身衣、吊襪帶、作為內衣穿著的馬甲 |
| `adult` | 露出私密部位，或為情趣用品 | 迷你泳裝、胸貼、透視裝、開襠設計、BDSM 與戀物服飾、性愛角色扮演服裝 |
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：
| 商品 | 分級 | 原因 |
|---|---|---|
| 作為健身服銷售的運動內衣 | ok | 可在公共場合當作上衣穿著 |
| 剪裁相同但作為內衣銷售的無鋼圈內衣 | lingerie | 女士內衣 |
| 蕾絲胸罩，照片中明顯可見乳頭 | adult | 胸部透視 |
| 男士平口內褲 | revealing | 泳衣等級的包覆度 |
| 防寒衣、防磨衣、布基尼 | ok | 完整包覆 |
| 皮褲、仿乳膠洋裝 | ok | 時尚單品 |
| 作為情趣服飾銷售的皮革或乳膠連身衣 | adult | 情趣連身衣 |
| 穿在襯衫外的皮革胸背帶 | ok | 衣服上的配件 |
| 穿在裸露皮膚上的綁縛帶 | adult | 情趣用品 |
| 萬聖節動物面具 | ok | 變裝服飾 |
| 幼犬角色扮演面具 | adult | 情趣面具 |
| 穿在洋裝外的身體鍊 | ok | 衣服上的珠寶 |
| 穿在裸露上半身的身體鍊 | adult | 單穿 |
| 像一般衣服般包覆的 Cosplay 服裝 | ok | 變裝服飾 |
| 內衣風格的動漫服裝 | adult | 性感化 Cosplay |
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](https://huggingface.co/Genlook/tryon-safety-classifier/blob/main/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：
| 變體 | 大小 | 內容 |
|---|---|---|
| 微調版 (預設) | 約 0.9 GB | 最後 6 個 transformer 區塊和池化層進行端到端訓練，搭配四個線性層 |
| 凍結版 | 在 SigLIP 2 基礎上增加約 120 KB | 原始視覺編碼器，在照片嵌入特徵的平均值與最大值上應用邏輯迴歸分類器 |
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。
| | 微調版 | 凍結版 |
|---|---|---|
| 準確率，4 個分級 | 94.6% | 94.2% |
| 遺漏的成人商品，`blocked` 標籤 | 534 件中遺漏 34 件 | 534 件中遺漏 39 件 |
| 誤判為成人商品，`blocked` 標籤 | 52 | 55 |
| 內衣召回率 | 90% | 89% |
| 主體準確率 | 99.2% | |
| 泳裝標籤準確率 | 90.0% | |
依商品類別劃分（微調版，最高分級）：
| 類別 | 商品數量 | 準確率 |
|---|---|---|
| 日常時尚目錄 | 1,032 | 97.5% |
| 繩索與綁縛 | 75 | 100% |
| 泳裝品牌 | 230 | 95.2% |
| 內衣品牌 | 120 | 94.2% |
| 動漫與 Cosplay | 63 | 93.7% |
| 情趣、內衣與寵物目錄 | 631 | 92.6% |
| 異國風與迷你泳裝 | 330 | 91.8% |
| 音樂節與派對服飾 | 115 | 85.2% |
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
```python
# 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](https://huggingface.co/Genlook/tryon-safety-classifier) 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](https://platform.genlook.app) 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](/docs/tryon-api/errors)）。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](https://huggingface.co/Genlook/tryon-safety-classifier)、[在 platform.genlook.app 取得 API 金鑰](https://platform.genlook.app)，或是[在您的商店加入虛擬試穿功能](/get-started)。_
<Faq>
<FaqItem
question="什麼是虛擬試穿安全分類器？"
answer="由 Genlook 以 Apache-2.0 授權發布的開源影像分類器。它能讀取商品照片並預測該商品虛擬試穿後的結果畫面：ok、revealing、lingerie 或 adult。它還會標記主體（人類服飾、寵物或非服飾）、泳裝包覆度以及音樂節服飾。"
/>
<FaqItem
question="為什麼不能將 NSFW 偵測器用於虛擬試穿？"
answer="NSFW 偵測器是根據影像像素進行判斷。在虛擬試穿中，商品照片並非最終結果：平放拍攝的內衣照沒有任何裸露，但虛擬試穿會顯示顧客穿著內衣。在我們的標籤測試中，三款開源 NSFW 分類器的一致率僅有 48% 到 62%。"
/>
<FaqItem
question="它的準確率有多高？"
answer="在涵蓋困難案例的 2,596 件商品中，四個分級的五折交叉驗證準確率為 94.6%，日常時尚目錄的準確率為 97.5%。使用 blocked 標籤時，534 件成人商品中僅遺漏 34 件。"
/>
<FaqItem
question="我可以將它用於商業用途嗎？"
answer="可以。該模型採用與其底層模型 SigLIP 2 相同的 Apache-2.0 授權。我們未公開訓練資料。"
/>
<FaqItem
question="Genlook 虛擬試穿 API 包含安全檢查嗎？"
answer="是的。在回傳虛擬試穿結果前，我們會對每件商品進行檢查。成人與情趣商品將被拒絕，泳裝、內褲與內衣需要付費帳號，被拒絕的虛擬試穿將獲退費。成人用品零售商可透過 support@genlook.app 申請存取權限。"
/>
</Faq>
Shopify
WooCommerce