Aicg Detector Onnx

• cascade_v1_fullonly.onnx — 单输入全图模型(约 111 MB)

接口

预处理需与训练一致:resize/pad 到 512×512,按 ImageNet 均值方差归一化 (mean=[0.485,0.456,0.406], std=[0.229,0.224,0.225])。

用法

import numpy as np, onnxruntime as ort

sess = ort.InferenceSession("cascade_v1_fullonly.onnx", providers=["CPUExecutionProvider"])
# x: float32 [B,3,512,512], 已归一化
logit = sess.run(["logit"], {"image": x})[0]
prob_reject = 1.0 / (1.0 + np.exp(-logit))   # sigmoid

指标(隔离 test,n=593,reject=150)

阈值(按召回率约束选,勿直接用 0.5)

级联分数整体偏小,部署请按业务召回率扫阈值:

备注

• 训练/评测代码见内部仓库 aicg-detector(scripts/export_onnx.py 为本文件导出脚本)。
• Hand 分支在训练时 ROI 缓存为空,对指标无实质贡献;架构已预留。

--- license: other tags: - onnx - image-classification - content-moderation - aigc-detection pipeline_tag: image-classification --- # aicg-detector — cascade_v1 full-image ONNX AIGC 人物图缺陷二分类器（`pass=0` / `reject=1`）的部署版 ONNX。 由 Phase2 级联模型（全图 ConvNeXt-Tiny + hand/anatomy/face 专家 + 融合头）的 **S2** 权重导出。 导出时**移除三个专家分支**，等价于消融中的 `full_image_only`（专家特征置零、mask 取「缺失」档）， 因此只需一张整图即可推理，指标与完整级联几乎一致。 ## 文件 - `cascade_v1_fullonly.onnx` — 单输入全图模型（约 111 MB） ## 接口 | | 名称 | 形状 | 说明 | |---|---|---|---| | 输入 | `image` | `[B, 3, 512, 512]` | float32，RGB，动态 batch | | 输出 | `logit` | `[B]` | 原始 logit，**需 sigmoid 转概率** | 预处理需与训练一致：resize/pad 到 512×512，按 ImageNet 均值方差归一化 （`mean=[0.485,0.456,0.406]`, `std=[0.229,0.224,0.225]`）。 ## 用法 ```python import numpy as np, onnxruntime as ort sess = ort.InferenceSession("cascade_v1_fullonly.onnx", providers=["CPUExecutionProvider"]) # x: float32 [B,3,512,512], 已归一化 logit = sess.run(["logit"], {"image": x})[0] prob_reject = 1.0 / (1.0 + np.exp(-logit)) # sigmoid ``` ## 指标（隔离 test，n=593，reject=150） | 模型 | ROC-AUC | PR-AUC | |---|---:|---:| | Phase1 baseline（ConvNeXt-Tiny 全图） | 0.955 | 0.880 | | Cascade S2（完整，训练时三专家） | 0.970 | 0.924 | | **本 ONNX（full-image-only）** | **0.969** | **0.924** | ## 阈值（按召回率约束选，勿直接用 0.5） 级联分数整体偏小，部署请按业务召回率扫阈值： | 约束 | Precision | Recall | 阈值（sigmoid 概率） | |---|---:|---:|---:| | R≥0.90 | ≈0.80 | ≈0.91 | ≈3.9e-7 | | R≥0.95 | ≈0.67 | ≈0.95 | ≈9.0e-8 | | R≥0.99 | ≈0.39 | ≈0.99 | ≈3.2e-8 | ## 备注 - 训练/评测代码见内部仓库 `aicg-detector`（`scripts/export_onnx.py` 为本文件导出脚本）。 - Hand 分支在训练时 ROI 缓存为空，对指标无实质贡献；架构已预留。