图片太多了怎么办？LeePoet一站式智能整理方案
💡 LeePoet技术理念：复杂的科技，应该以最简单的方式服务每个普通人。
你是否也曾在数千张照片中翻找一张重要合影？是否因为图片太多而放弃整理？ 本文是数字时代每个人的“图片救星”。无论你是拥有上万张照片的摄影爱好者，还是被工作图片淹没的职场人，LeePoet将用AI技术为你提供从简单到专业的全系列解决方案。
从人物识别到内容分类，Python自动化搞定图片管理，每个人手机里几千张照片的普遍现象，手动整理的痛苦：耗时、低效、容易遗漏，LeePoet的解决方案理念：技术让生活更简单。”隐私保护+内容管理，一键分类敏感图片”，多层级风险评估。
包含开箱即用的Python脚本、详细配置教程和常见问题解决方案。LeePoet用实际案例证明，技术不应该高高在上，而要真正服务于生活。
UBUNTU创建虚拟环境操作
1.创建虚拟环境
# 进入你的项目文件夹
cd /path/to/your/project
# 创建虚拟环境（会在当前文件夹创建 venv 目录）
python3 -m venv myenv
2.激活虚拟环境
source myenv/bin/activate
3.安装依赖
python -m pip install opencv-python
如果要使用增强版本，还需要安装：
python -m pip install torch ultralytics
4.基本完成。
初级检测：
创建一个名为 extract_people_images.py的文件完整代码：
import os
import shutil
import cv2
from pathlib import Path
def detect_people_in_image(image_path, face_cascade=None):
"""
检测图片中是否包含人物
"""
if face_cascade is None:
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
try:
img = cv2.imread(image_path)
if img is None:
return False
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(
gray,
scaleFactor=1.1,
minNeighbors=5,
minSize=(30, 30)
)
return len(faces) > 0
except Exception as e:
print(f"处理图片 {image_path} 时出错: {e}")
return False
def extract_images_with_people(source_dir, target_dir):
"""
从源文件夹提取带人物的图片到目标文件夹
"""
supported_formats = ['.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.webp']
# 创建目标文件夹
Path(target_dir).mkdir(parents=True, exist_ok=True)
# 加载人脸检测器
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
# 统计信息
total_images = 0
images_with_people = 0
print("开始扫描图片...")
for filename in os.listdir(source_dir):
file_path = os.path.join(source_dir, filename)
# 检查文件格式
if os.path.isfile(file_path) and any(filename.lower().endswith(fmt) for fmt in supported_formats):
total_images += 1
print(f"处理第 {total_images} 张图片: {filename}")
# 检测是否包含人物
if detect_people_in_image(file_path, face_cascade):
images_with_people += 1
# 构建目标路径
target_path = os.path.join(target_dir, filename)
# 处理重名文件
counter = 1
while os.path.exists(target_path):
name, ext = os.path.splitext(filename)
target_path = os.path.join(target_dir, f"{name}_{counter}{ext}")
counter += 1
# 复制文件
shutil.copy2(file_path, target_path)
print(f"✓ 检测到人物: {filename}")
else:
print(f"✗ 未检测到人物: {filename}")
print("\n" + "="*50)
print("处理完成!")
print(f"总共处理图片: {total_images}张")
print(f"检测到包含人物的图片: {images_with_people}张")
print(f"图片已保存到: {target_dir}")
def main():
# 设置路径
current_dir = os.getcwd()
target_dir = os.path.join(current_dir, "images_with_people")
print(f"当前文件夹: {current_dir}")
print(f"目标文件夹: {target_dir}")
print("-" * 50)
# 执行提取
extract_images_with_people(current_dir, target_dir)
if __name__ == "__main__":
main()
5. 运行脚本
python extract_people_images.py
6. 退出虚拟环境
完成后，可以退出虚拟环境：
其它说明：安装所需库（上面装完了可以不看这）
# 升级pip（可选）
python -m pip install --upgrade pip
# 安装OpenCV（基础版本）
python -m pip install opencv-python
# 或者安装增强版本所需的库
python -m pip install opencv-python torch ultralytics
创建 requirements.txt 文件（可选）
你可以创建一个依赖文件，方便以后重新安装：
# 生成requirements.txt
python -m pip freeze requirements.txt
requirements.txt 内容示例：
opencv-python==4.8.1.78
numpy==1.24.3
以后重新安装依赖：
python -m pip install -r requirements.txt
完整的项目结构建议
your_project/
├── venv/ # 虚拟环境（不要提交到版本控制）
├── extract_people_images.py # 主程序
├── requirements.txt # 依赖列表
└── images_with_people/ # 输出文件夹（程序自动创建）
库装不上的其它操作
python -m pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple –verbose
中级检测：
正常激活虚拟环境
cd myenv #即虚拟环境目录
source myenv/bin/activate # 进入虚拟环境（如果还没激活）
pip install opencv-python # 确保已安装所需库
安装依赖的完整步骤
# 1. 激活虚拟环境
source myenv/bin/activate
# 2. 安装依赖（如果网络慢可以使用清华镜像）
python -m pip install torch torchvision ultralytics opencv-python
# 或者使用国内镜像加速安装
python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision ultralytics opencv-python
# 直接使用python命令运行，不需要执行权限
python extract_people_images.py
# 给脚本执行权限：
chmod +x extract_people_images.py
##
一、增强检测人物图片：
使用YOLOv8模型进行更准确的人物检测，增强版人物图片检测
模型说明
yolov8n.pt：最小最快，适合快速检测yolov8s.pt：平衡速度和精度yolov8m.pt：中等精度yolov8l.pt：高精度yolov8x.pt：最高精度，最慢
特性
更准确的人物检测 ：YOLO可以检测各种姿势、大小的人物可调置信度 ：根据需求调整检测敏感度检测预览 ：可选保存带检测框的图片详细统计 ：显示检测数量、置信度、处理时间等错误处理 ：完善的异常处理，不会因为单张图片失败而停止进度显示 ：实时显示处理进度
这个增强版本比基础版本准确得多，特别是对于侧面、远处、遮挡的人物检测效果更好！
完整的Python代码
#!/usr/bin/env python3
"""
增强版人物图片检测程序
使用YOLOv8模型进行更准确的人物检测
"""
import os
import shutil
import argparse
from pathlib import Path
import time
def setup_environment():
"""检查并导入所需的库"""
try:
from ultralytics import YOLO
import cv2
return YOLO, cv2
except ImportError as e:
print("错误: 缺少必要的库")
print("请安装以下依赖:")
print("pip install torch torchvision ultralytics opencv-python")
print("\n如果安装缓慢，可以使用清华镜像:")
print("pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision ultralytics opencv-python")
return None, None
def extract_images_with_people_enhanced(source_dir, target_dir, confidence_threshold=0.3,
model_size='yolov8n.pt', device='cpu',
save_detection_preview=False):
"""
使用YOLO模型检测并提取包含人物的图片
参数:
source_dir: 源文件夹路径
target_dir: 目标文件夹路径
confidence_threshold: 置信度阈值(0.0-1.0)，值越小检测越敏感
model_size: 模型大小 ('yolov8n.pt', 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt')
device: 运行设备 ('cpu' 或 'cuda')
save_detection_preview: 是否保存带检测框的预览图
"""
# 检查库是否可用
YOLO, cv2 = setup_environment()
if YOLO is None:
return
# 创建目标文件夹
Path(target_dir).mkdir(parents=True, exist_ok=True)
# 如果启用预览，创建预览文件夹
preview_dir = None
if save_detection_preview:
preview_dir = os.path.join(target_dir, "detection_previews")
Path(preview_dir).mkdir(parents=True, exist_ok=True)
# 支持的图片格式
supported_formats = ['.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.webp', '.JPG', '.JPEG', '.PNG']
print("=" * 60)
print("增强版人物图片检测程序")
print("=" * 60)
print(f"源文件夹: {source_dir}")
print(f"目标文件夹: {target_dir}")
print(f"模型: {model_size}")
print(f"置信度阈值: {confidence_threshold}")
print(f"设备: {device}")
print(f"保存检测预览: {save_detection_preview}")
print("-" * 60)
try:
# 加载YOLO模型（会自动下载如果不存在）
print("正在加载YOLO模型...")
start_time = time.time()
model = YOLO(model_size)
load_time = time.time() - start_time
print(f"✓ 模型加载完成，耗时: {load_time:.2f}秒")
except Exception as e:
print(f"✗ 模型加载失败: {e}")
print("请检查网络连接或手动下载模型")
return
# 统计信息
total_images = 0
images_with_people = 0
processed_files = []
detection_times = []
print("\n开始扫描图片...")
# 获取所有图片文件
image_files = []
for filename in os.listdir(source_dir):
file_path = os.path.join(source_dir, filename)
if os.path.isfile(file_path) and any(filename.lower().endswith(fmt) for fmt in supported_formats):
image_files.append(filename)
total_files = len(image_files)
print(f"找到 {total_files} 张待处理图片")
# 处理每张图片
for i, filename in enumerate(image_files, 1):
file_path = os.path.join(source_dir, filename)
print(f"\n[{i}/{total_files}] 处理: {filename}")
total_images += 1
try:
# 记录开始时间
start_time = time.time()
# 使用YOLO进行检测
results = model(file_path, conf=confidence_threshold, device=device, verbose=False)
detection_time = time.time() - start_time
detection_times.append(detection_time)
# 检查是否检测到人物（YOLO中person类的ID是0）
has_people = False
people_count = 0
max_confidence = 0.0
for result in results:
if result.boxes is not None and len(result.boxes) > 0:
for box in result.boxes:
class_id = int(box.cls)
confidence = float(box.conf)
# class_id 0 对应 'person'
if class_id == 0:
has_people = True
people_count += 1
max_confidence = max(max_confidence, confidence)
if has_people:
images_with_people += 1
# 构建目标文件路径
target_path = os.path.join(target_dir, filename)
# 处理重名文件
counter = 1
base_target_path = target_path
while os.path.exists(target_path):
name, ext = os.path.splitext(filename)
target_path = os.path.join(target_dir, f"{name}_{counter}{ext}")
counter += 1
# 复制原图到目标文件夹
shutil.copy2(file_path, target_path)
# 如果启用预览，保存带检测框的图片
if save_detection_preview and has_people:
try:
# 绘制检测结果
plotted_image = results[0].plot()
preview_filename = f"preview_{os.path.splitext(filename)[0]}.jpg"
preview_path = os.path.join(preview_dir, preview_filename)
cv2.imwrite(preview_path, plotted_image)
except Exception as e:
print(f" 警告: 无法保存检测预览图: {e}")
print(f" ✓ 检测到 {people_count} 个人物 (最高置信度: {max_confidence:.3f})")
print(f" ✓ 检测时间: {detection_time:.2f}秒")
print(f" ✓ 已复制到: {os.path.basename(target_path)}")
processed_files.append({
'filename': filename,
'people_count': people_count,
'max_confidence': max_confidence,
'detection_time': detection_time
})
else:
print(f" ✗ 未检测到人物 (检测时间: {detection_time:.2f}秒)")
except Exception as e:
print(f" ✗ 处理图片时出错: {e}")
continue
# 输出统计信息
print("\n" + "=" * 60)
print("处理完成!")
print("=" * 60)
if total_images > 0:
print(f"总共处理图片: {total_images}张")
print(f"检测到包含人物的图片: {images_with_people}张")
print(f"检测率: {(images_with_people/total_images*100):.1f}%")
if detection_times:
avg_detection_time = sum(detection_times) / len(detection_times)
print(f"平均检测时间: {avg_detection_time:.2f}秒/张")
print(f"总检测时间: {sum(detection_times):.2f}秒")
if images_with_people > 0:
print(f"\n包含人物的图片已保存到: {target_dir}")
if save_detection_preview:
print(f"检测预览图已保存到: {preview_dir}")
# 显示检测到最多人物的前几张图片
if processed_files:
processed_files.sort(key=lambda x: x['people_count'], reverse=True)
print(f"\n检测结果最好的图片:")
for i, file_info in enumerate(processed_files[:3]):
print(f" {i+1}. {file_info['filename']} - {file_info['people_count']}人 "
f"(置信度: {file_info['max_confidence']:.3f})")
else:
print("未找到任何可处理的图片文件")
def main():
"""主函数"""
parser = argparse.ArgumentParser(description='增强版人物图片检测程序')
parser.add_argument('--source', '-s', default='.',
help='源文件夹路径 (默认: 当前文件夹)')
parser.add_argument('--target', '-t', default='images_with_people',
help='目标文件夹路径 (默认: images_with_people)')
parser.add_argument('--confidence', '-c', type=float, default=0.3,
help='检测置信度阈值 (0.0-1.0, 默认: 0.3)')
parser.add_argument('--model', '-m', default='yolov8n.pt',
choices=['yolov8n.pt', 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt'],
help='YOLO模型大小 (默认: yolov8n.pt)')
parser.add_argument('--device', '-d', default='cpu',
choices=['cpu', 'cuda'],
help='运行设备 (默认: cpu)')
parser.add_argument('--preview', '-p', action='store_true',
help='保存带检测框的预览图')
args = parser.parse_args()
# 检查源文件夹是否存在
if not os.path.exists(args.source):
print(f"错误: 源文件夹 '{args.source}' 不存在")
return
# 运行检测程序
extract_images_with_people_enhanced(
source_dir=args.source,
target_dir=args.target,
confidence_threshold=args.confidence,
model_size=args.model,
device=args.device,
save_detection_preview=args.preview
)
# 简化版本函数（不需要命令行参数）
def simple_extract():
"""简化版本，使用默认参数"""
source_dir = os.getcwd() # 当前文件夹
target_dir = os.path.join(source_dir, "images_with_people")
print("使用简化模式运行...")
extract_images_with_people_enhanced(source_dir, target_dir)
if __name__ == "__main__":
# 如果没有命令行参数，使用简化版本
import sys
if len(sys.argv) == 1:
simple_extract()
else:
main()
步骤1：保存文件
在nano编辑器中：
按 Ctrl+X退出
按 Y确认保存
按 Enter确认文件名
步骤2：运行程序
python extract_people_images_enhanced_copy.py
方法2：使用命令行参数
# 基本使用
python extract_people_images_enhanced_copy.py --source /path/to/images --target ./output
# 调整检测敏感度（值越小越敏感）
python extract_people_images_enhanced_copy.py --confidence 0.2
# 使用更大的模型（更准确但更慢）
python extract_people_images_enhanced_copy.py --model yolov8s.pt
# 保存检测预览图
python extract_people_images_enhanced_copy.py --preview
# 使用GPU加速（如果有NVIDIA显卡）
python extract_people_images_enhanced_copy.py --device cuda
# 查看所有选项
python extract_people_images_enhanced_copy.py --help
模
如果还是有问题，使用这个简单版本：
# 先删除所有有问题的文件
rm -f *.py
# 创建简单版本
cat > simple_detection.py << 'EOF'
import os
import shutil
import cv2
from pathlib import Path
def detect_people():
print("开始检测人物图片...")
# 检查OpenCV
try:
face_cascade = cv2.CascadeClassifier(cv2.data.haarcascades + 'haarcascade_frontalface_default.xml')
except:
print("请先安装OpenCV: pip install opencv-python")
return
# 创建目标文件夹
target_dir = "images_with_people"
Path(target_dir).mkdir(exist_ok=True)
# 支持的图片格式
formats = ['.jpg', '.jpeg', '.png']
count = 0
for filename in os.listdir('.'):
if any(filename.lower().endswith(fmt) for fmt in formats):
print(f"处理: {filename}")
img = cv2.imread(filename)
if img is not None:
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
faces = face_cascade.detectMultiScale(gray, 1.1, 5)
if len(faces) > 0:
shutil.copy2(filename, os.path.join(target_dir, filename))
print(f"✓ 检测到人物")
count += 1
else:
print(f"✗ 未检测到人物")
print(f"\n完成! 找到 {count} 张包含人物的图片")
if __name__ == "__main__":
detect_people()
EOF
# 运行简单版本
python simple_detection.py
请按照步骤1-4操作，应该能解决问题！
二、增强检测人物图片（自定义文件夹）：
这个版本实现了把检测到的图片直接移动到新的文件夹而不是复制，也可以通过后面的加参数定义移动或者复制。
主要修改 shutil.copy2()为 shutil.move()：
#!/usr/bin/env python3
"""
增强版人物图片检测程序（移动版本）
使用YOLOv8模型进行更准确的人物检测，并将图片移动到新文件夹
"""
import os
import shutil
import argparse
from pathlib import Path
import time
def setup_environment():
"""检查并导入所需的库"""
try:
from ultralytics import YOLO
import cv2
return YOLO, cv2
except ImportError as e:
print("错误: 缺少必要的库")
print("请安装以下依赖:")
print("pip install torch torchvision ultralytics opencv-python")
print("\n如果安装缓慢，可以使用清华镜像:")
print("pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision ultralytics opencv-python")
return None, None
def extract_images_with_people_enhanced(source_dir, target_dir, confidence_threshold=0.3,
model_size='yolov8n.pt', device='cpu',
save_detection_preview=False, move_instead_of_copy=True):
"""
使用YOLO模型检测并移动包含人物的图片
参数:
source_dir: 源文件夹路径
target_dir: 目标文件夹路径
confidence_threshold: 置信度阈值(0.0-1.0)，值越小检测越敏感
model_size: 模型大小 ('yolov8n.pt', 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt')
device: 运行设备 ('cpu' 或 'cuda')
save_detection_preview: 是否保存带检测框的预览图
move_instead_of_copy: 是否移动而不是复制图片
"""
# 检查库是否可用
YOLO, cv2 = setup_environment()
if YOLO is None:
return
# 创建目标文件夹
Path(target_dir).mkdir(parents=True, exist_ok=True)
# 如果启用预览，创建预览文件夹
preview_dir = None
if save_detection_preview:
preview_dir = os.path.join(target_dir, "detection_previews")
Path(preview_dir).mkdir(parents=True, exist_ok=True)
# 支持的图片格式
supported_formats = ['.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.webp', '.JPG', '.JPEG', '.PNG']
print("=" * 60)
print("增强版人物图片检测程序（移动版本）")
print("=" * 60)
print(f"源文件夹: {source_dir}")
print(f"目标文件夹: {target_dir}")
print(f"操作模式: {'移动' if move_instead_of_copy else '复制'}")
print(f"模型: {model_size}")
print(f"置信度阈值: {confidence_threshold}")
print(f"设备: {device}")
print(f"保存检测预览: {save_detection_preview}")
print("-" * 60)
# 警告信息
if move_instead_of_copy:
print("⚠️ 警告: 此操作将移动图片文件，原文件夹中的图片将被删除！")
response = input("是否继续？(y/N): ")
if response.lower() != 'y':
print("操作已取消")
return
try:
# 加载YOLO模型（会自动下载如果不存在）
print("正在加载YOLO模型...")
start_time = time.time()
model = YOLO(model_size)
load_time = time.time() - start_time
print(f"✓ 模型加载完成，耗时: {load_time:.2f}秒")
except Exception as e:
print(f"✗ 模型加载失败: {e}")
print("请检查网络连接或手动下载模型")
return
# 统计信息
total_images = 0
images_with_people = 0
processed_files = []
detection_times = []
print("\n开始扫描图片...")
# 获取所有图片文件
image_files = []
for filename in os.listdir(source_dir):
file_path = os.path.join(source_dir, filename)
if os.path.isfile(file_path) and any(filename.lower().endswith(fmt) for fmt in supported_formats):
image_files.append(filename)
total_files = len(image_files)
print(f"找到 {total_files} 张待处理图片")
# 处理每张图片
for i, filename in enumerate(image_files, 1):
file_path = os.path.join(source_dir, filename)
print(f"\n[{i}/{total_files}] 处理: {filename}")
total_images += 1
try:
# 记录开始时间
start_time = time.time()
# 使用YOLO进行检测
results = model(file_path, conf=confidence_threshold, device=device, verbose=False)
detection_time = time.time() - start_time
detection_times.append(detection_time)
# 检查是否检测到人物（YOLO中person类的ID是0）
has_people = False
people_count = 0
max_confidence = 0.0
for result in results:
if result.boxes is not None and len(result.boxes) > 0:
for box in result.boxes:
class_id = int(box.cls)
confidence = float(box.conf)
# class_id 0 对应 'person'
if class_id == 0:
has_people = True
people_count += 1
max_confidence = max(max_confidence, confidence)
if has_people:
images_with_people += 1
# 构建目标文件路径
target_path = os.path.join(target_dir, filename)
# 处理重名文件
counter = 1
base_target_path = target_path
while os.path.exists(target_path):
name, ext = os.path.splitext(filename)
target_path = os.path.join(target_dir, f"{name}_{counter}{ext}")
counter += 1
# 移动或复制文件到目标文件夹
if move_instead_of_copy:
shutil.move(file_path, target_path)
operation_text = "移动"
else:
shutil.copy2(file_path, target_path)
operation_text = "复制"
# 如果启用预览，保存带检测框的图片
if save_detection_preview and has_people:
try:
# 重新读取图片用于预览（如果是移动操作，需要重新加载）
if move_instead_of_copy:
preview_source_path = target_path
else:
preview_source_path = file_path
preview_results = model(preview_source_path, conf=confidence_threshold, device=device, verbose=False)
plotted_image = preview_results[0].plot()
preview_filename = f"preview_{os.path.splitext(filename)[0]}.jpg"
preview_path = os.path.join(preview_dir, preview_filename)
cv2.imwrite(preview_path, plotted_image)
except Exception as e:
print(f" 警告: 无法保存检测预览图: {e}")
print(f" ✓ 检测到 {people_count} 个人物 (最高置信度: {max_confidence:.3f})")
print(f" ✓ 检测时间: {detection_time:.2f}秒")
print(f" ✓ 已{operation_text}到: {os.path.basename(target_path)}")
processed_files.append({
'filename': filename,
'people_count': people_count,
'max_confidence': max_confidence,
'detection_time': detection_time,
'operation': operation_text
})
else:
print(f" ✗ 未检测到人物 (检测时间: {detection_time:.2f}秒)")
except Exception as e:
print(f" ✗ 处理图片时出错: {e}")
continue
# 输出统计信息
print("\n" + "=" * 60)
print("处理完成!")
print("=" * 60)
if total_images > 0:
print(f"总共处理图片: {total_images}张")
print(f"检测到包含人物的图片: {images_with_people}张")
print(f"检测率: {(images_with_people/total_images*100):.1f}%")
if detection_times:
avg_detection_time = sum(detection_times) / len(detection_times)
print(f"平均检测时间: {avg_detection_time:.2f}秒/张")
print(f"总检测时间: {sum(detection_times):.2f}秒")
if images_with_people > 0:
operation_mode = "移动" if move_instead_of_copy else "复制"
print(f"\n包含人物的图片已{operation_mode}到: {target_dir}")
if save_detection_preview:
print(f"检测预览图已保存到: {preview_dir}")
# 显示检测到最多人物的前几张图片
if processed_files:
processed_files.sort(key=lambda x: x['people_count'], reverse=True)
print(f"\n检测结果最好的图片:")
for i, file_info in enumerate(processed_files[:3]):
print(f" {i+1}. {file_info['filename']} - {file_info['people_count']}人 "
f"(置信度: {file_info['max_confidence']:.3f})")
# 安全提示
if move_instead_of_copy:
remaining_files = len([f for f in os.listdir(source_dir)
if any(f.lower().endswith(fmt) for fmt in supported_formats)])
print(f"\n⚠️ 原文件夹剩余图片: {remaining_files}张")
print("⚠️ 检测到的图片已被移动到目标文件夹，原文件已删除")
else:
print("未找到任何可处理的图片文件")
def main():
"""主函数"""
parser = argparse.ArgumentParser(description='增强版人物图片检测程序（移动版本）')
parser.add_argument('--source', '-s', default='.',
help='源文件夹路径 (默认: 当前文件夹)')
parser.add_argument('--target', '-t', default='images_with_people',
help='目标文件夹路径 (默认: images_with_people)')
parser.add_argument('--confidence', '-c', type=float, default=0.3,
help='检测置信度阈值 (0.0-1.0, 默认: 0.3)')
parser.add_argument('--model', '-m', default='yolov8n.pt',
choices=['yolov8n.pt', 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt'],
help='YOLO模型大小 (默认: yolov8n.pt)')
parser.add_argument('--device', '-d', default='cpu',
choices=['cpu', 'cuda'],
help='运行设备 (默认: cpu)')
parser.add_argument('--preview', '-p', action='store_true',
help='保存带检测框的预览图')
parser.add_argument('--copy', action='store_true',
help='使用复制模式而不是移动模式')
args = parser.parse_args()
# 检查源文件夹是否存在
if not os.path.exists(args.source):
print(f"错误: 源文件夹 '{args.source}' 不存在")
return
# 运行检测程序
extract_images_with_people_enhanced(
source_dir=args.source,
target_dir=args.target,
confidence_threshold=args.confidence,
model_size=args.model,
device=args.device,
save_detection_preview=args.preview,
move_instead_of_copy=not args.copy # 如果指定--copy则使用复制模式
)
# 简化版本函数（不需要命令行参数）
def simple_extract():
"""简化版本，使用默认参数（移动模式）"""
source_dir = os.getcwd() # 当前文件夹
target_dir = os.path.join(source_dir, "images_with_people")
print("使用简化模式运行（移动模式）...")
print("此操作将把检测到人物的图片移动到新文件夹！")
response = input("是否继续？(y/N): ")
if response.lower() != 'y':
print("操作已取消")
return
extract_images_with_people_enhanced(source_dir, target_dir, move_instead_of_copy=True)
if __name__ == "__main__":
# 如果没有命令行参数，使用简化版本
import sys
if len(sys.argv) == 1:
simple_extract()
else:
main()
主要修改内容：
将 shutil.copy2()改为 shutil.move() 添加了移动模式的安全确认 ，避免误操作增加了 move_instead_of_copy参数 ，可以控制是移动还是复制添加了 --copy命令行参数 ，如果需要复制模式可以加上这个参数改进了预览图生成逻辑 ，适应移动操作增加了操作完成后的统计信息 ，显示剩余文件数量
使用方法：
移动模式（默认）：
# 简单使用（移动图片）
python extract_people_images_enhanced_move.py
# 带参数使用
python extract_people_images_enhanced_move.py --source ./图片文件夹 --target ./人物图片
复制模式（如果需要保留原文件）：
# 使用复制模式
python extract_people_images_enhanced_move.py --copy
# 带预览的复制模式
python extract_people_images_enhanced_move.py --copy --preview
其他参数：
# 调整检测敏感度
python extract_people_images_enhanced_move.py --confidence 0.2
# 使用更大的模型
python extract_people_images_enhanced_move.py --model yolov8s.pt
# 保存检测预览图
python extract_people_images_enhanced_move.py --preview
安全特性：
运行前确认 ：移动模式会要求用户确认进度显示 ：实时显示处理进度结果统计 ：完成后显示移动/复制的文件数量剩余文件提示 ：显示原文件夹剩余图片数量
这样修改后，检测到人物的图片会被直接移动到目标文件夹，原文件会被删除，节省磁盘空间。如果你需要保留原文件，使用 --copy参数即可。
高级检测：
方案1：基于YOLO的人体部位检测
专门检测女性人体暴露或色情内容。这里有几个不同级别的实现方案：
#!/usr/bin/env python3
"""
女性人体暴露/色情图片检测程序
使用YOLO模型检测暴露的身体部位
"""
import os
import shutil
import argparse
from pathlib import Path
import time
def setup_environment():
"""检查并导入所需的库"""
try:
from ultralytics import YOLO
import cv2
return YOLO, cv2
except ImportError as e:
print("错误: 缺少必要的库")
print("请安装以下依赖:")
print("pip install torch torchvision ultralytics opencv-python")
return None, None
class NudityDetector:
"""暴露内容检测器"""
def __init__(self, confidence_threshold=0.3):
self.confidence_threshold = confidence_threshold
# 定义敏感部位类别（基于COCO数据集）
self.sensitive_parts = {
'person': 0, # 人物
'face': 1, # 脸部（某些数据集有）
}
# 定义暴露风险等级的关键词（用于文件名和路径分析）
self.risky_keywords = [
'nude', 'naked', 'bikini', 'swimsuit', 'lingerie', 'sexy', 'hot',
'暴露', '性感', '内衣', '比基尼', '泳装', '裸体', '色情'
]
def detect_exposure_level(self, results, filename=""):
"""
检测图片的暴露等级
返回: (暴露等级, 置信度, 检测到的部位)
"""
exposure_level = 0 # 0: 安全, 1: 轻度, 2: 中度, 3: 高度暴露
max_confidence = 0
detected_parts = []
for result in results:
if result.boxes is not None and len(result.boxes) > 0:
for box in result.boxes:
class_id = int(box.cls)
confidence = float(box.conf)
# 检测人物
if class_id == 0: # person
detected_parts.append('person')
max_confidence = max(max_confidence, confidence)
# 如果有高置信度的人物检测，基础暴露等级为1
if confidence > 0.5:
exposure_level = max(exposure_level, 1)
# 基于文件名分析
filename_risk = self.analyze_filename_risk(filename.lower())
exposure_level = max(exposure_level, filename_risk)
return exposure_level, max_confidence, detected_parts
def analyze_filename_risk(self, filename):
"""分析文件名的风险等级"""
risk_level = 0
for keyword in self.risky_keywords:
if keyword in filename:
if keyword in ['nude', 'naked', '裸体', '色情']:
risk_level = max(risk_level, 3)
elif keyword in ['bikini', 'swimsuit', 'lingerie', '比基尼', '泳装', '内衣']:
risk_level = max(risk_level, 2)
else:
risk_level = max(risk_level, 1)
return risk_level
def analyze_skin_ratio(self, image_path):
"""简单的肤色比例分析（基础版本）"""
try:
import cv2
import numpy as np
# 读取图片
img = cv2.imread(image_path)
if img is None:
return 0
# 转换到HSV颜色空间进行肤色检测
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 定义肤色范围（需要根据实际情况调整）
lower_skin = np.array([0, 20, 70], dtype=np.uint8)
upper_skin = np.array([20, 255, 255], dtype=np.uint8)
# 创建肤色掩码
mask = cv2.inRange(hsv, lower_skin, upper_skin)
# 计算肤色像素比例
skin_ratio = np.sum(mask > 0) / (img.shape[0] * img.shape[1])
return skin_ratio
except Exception as e:
print(f"肤色分析错误: {e}")
return 0
def extract_sensitive_images(source_dir, target_dir, confidence_threshold=0.3,
model_size='yolov8n.pt', device='cpu',
save_detection_preview=False, move_instead_of_copy=True,
min_exposure_level=1):
"""
检测并提取敏感图片
参数:
source_dir: 源文件夹路径
target_dir: 目标文件夹路径
confidence_threshold: 置信度阈值
model_size: 模型大小
device: 运行设备
save_detection_preview: 是否保存检测预览
move_instead_of_copy: 是否移动文件
min_exposure_level: 最小暴露等级 (1-3)
"""
# 检查库是否可用
YOLO, cv2 = setup_environment()
if YOLO is None:
return
# 创建目标文件夹
Path(target_dir).mkdir(parents=True, exist_ok=True)
# 按暴露等级创建子文件夹
level_folders = {
1: os.path.join(target_dir, "level1_mild"),
2: os.path.join(target_dir, "level2_moderate"),
3: os.path.join(target_dir, "level3_high")
}
for folder in level_folders.values():
Path(folder).mkdir(parents=True, exist_ok=True)
# 如果启用预览，创建预览文件夹
preview_dir = None
if save_detection_preview:
preview_dir = os.path.join(target_dir, "detection_previews")
Path(preview_dir).mkdir(parents=True, exist_ok=True)
# 支持的图片格式
supported_formats = ['.jpg', '.jpeg', '.png', '.bmp', '.tiff', '.webp']
print("=" * 70)
print("女性人体暴露/色情图片检测程序")
print("=" * 70)
print(f"源文件夹: {source_dir}")
print(f"目标文件夹: {target_dir}")
print(f"操作模式: {'移动' if move_instead_of_copy else '复制'}")
print(f"最小暴露等级: {min_exposure_level}")
print(f"模型: {model_size}")
print(f"置信度阈值: {confidence_threshold}")
print("-" * 70)
# 警告信息
if move_instead_of_copy:
print("⚠️ 警告: 此操作将移动图片文件！")
response = input("是否继续？(y/N): ")
if response.lower() != 'y':
print("操作已取消")
return
# 初始化检测器
detector = NudityDetector(confidence_threshold)
try:
# 加载YOLO模型
print("正在加载YOLO模型...")
start_time = time.time()
model = YOLO(model_size)
load_time = time.time() - start_time
print(f"✓ 模型加载完成，耗时: {load_time:.2f}秒")
except Exception as e:
print(f"✗ 模型加载失败: {e}")
return
# 统计信息
total_images = 0
detected_images = 0
level_stats = {1: 0, 2: 0, 3: 0}
processed_files = []
detection_times = []
print("\n开始扫描图片...")
# 获取所有图片文件
image_files = []
for filename in os.listdir(source_dir):
file_path = os.path.join(source_dir, filename)
if os.path.isfile(file_path) and any(filename.lower().endswith(fmt) for fmt in supported_formats):
image_files.append(filename)
total_files = len(image_files)
print(f"找到 {total_files} 张待处理图片")
# 处理每张图片
for i, filename in enumerate(image_files, 1):
file_path = os.path.join(source_dir, filename)
print(f"\n[{i}/{total_files}] 分析: {filename}")
total_images += 1
try:
start_time = time.time()
# 使用YOLO进行检测
results = model(file_path, conf=confidence_threshold, device=device, verbose=False)
detection_time = time.time() - start_time
detection_times.append(detection_time)
# 检测暴露等级
exposure_level, max_confidence, detected_parts = detector.detect_exposure_level(results, filename)
# 简单的肤色比例分析
skin_ratio = detector.analyze_skin_ratio(file_path)
if skin_ratio > 0.3: # 如果肤色比例较高，提高暴露等级
exposure_level = max(exposure_level, 2)
if exposure_level >= min_exposure_level:
detected_images += 1
level_stats[exposure_level] = level_stats.get(exposure_level, 0) + 1
# 确定目标文件夹
target_level_folder = level_folders.get(exposure_level, target_dir)
# 构建目标文件路径
target_path = os.path.join(target_level_folder, filename)
# 处理重名文件
counter = 1
while os.path.exists(target_path):
name, ext = os.path.splitext(filename)
target_path = os.path.join(target_level_folder, f"{name}_{counter}{ext}")
counter += 1
# 移动或复制文件
if move_instead_of_copy:
shutil.move(file_path, target_path)
operation_text = "移动"
else:
shutil.copy2(file_path, target_path)
operation_text = "复制"
# 保存检测预览
if save_detection_preview:
try:
preview_results = model(target_path if move_instead_of_copy else file_path,
conf=confidence_threshold, device=device, verbose=False)
plotted_image = preview_results[0].plot()
preview_filename = f"L{exposure_level}_preview_{os.path.splitext(filename)[0]}.jpg"
preview_path = os.path.join(preview_dir, preview_filename)
cv2.imwrite(preview_path, plotted_image)
except Exception as e:
print(f" 警告: 无法保存检测预览图: {e}")
# 暴露等级描述
level_descriptions = {
1: "轻度暴露",
2: "中度暴露",
3: "高度暴露"
}
print(f" ✓ 检测结果: {level_descriptions.get(exposure_level, '未知')} (等级{exposure_level})")
print(f" ✓ 肤色比例: {skin_ratio:.3f}")
print(f" ✓ 检测部位: {', '.join(detected_parts) if detected_parts else '无'}")
print(f" ✓ 检测时间: {detection_time:.2f}秒")
print(f" ✓ 已{operation_text}到: level{exposure_level}/{os.path.basename(target_path)}")
processed_files.append({
'filename': filename,
'exposure_level': exposure_level,
'skin_ratio': skin_ratio,
'detected_parts': detected_parts,
'detection_time': detection_time,
'operation': operation_text
})
else:
print(f" ✗ 安全图片 (暴露等级: {exposure_level}, 检测时间: {detection_time:.2f}秒)")
except Exception as e:
print(f" ✗ 处理图片时出错: {e}")
continue
# 输出统计信息
print("\n" + "=" * 70)
print("检测完成!")
print("=" * 70)
if total_images > 0:
print(f"总共处理图片: {total_images}张")
print(f"检测到敏感图片: {detected_images}张")
print(f"检测率: {(detected_images/total_images*100):.1f}%")
print(f"\n暴露等级分布:")
for level, count in level_stats.items():
if count > 0:
level_desc = {1: "轻度暴露", 2: "中度暴露", 3: "高度暴露"}.get(level, "未知")
print(f" 等级{level} ({level_desc}): {count}张")
if detected_images > 0:
operation_mode = "移动" if move_instead_of_copy else "复制"
print(f"\n敏感图片已{operation_mode}到对应等级的文件夹")
# 显示检测结果
if processed_files:
processed_files.sort(key=lambda x: x['exposure_level'], reverse=True)
print(f"\n风险最高的图片:")
for i, file_info in enumerate(processed_files[:5]):
print(f" {i+1}. {file_info['filename']} - 等级{file_info['exposure_level']} "
f"(肤色比例: {file_info['skin_ratio']:.3f})")
else:
print("未找到任何可处理的图片文件")
def main():
"""主函数"""
parser = argparse.ArgumentParser(description='女性人体暴露/色情图片检测程序')
parser.add_argument('--source', '-s', default='.',
help='源文件夹路径 (默认: 当前文件夹)')
parser.add_argument('--target', '-t', default='sensitive_images',
help='目标文件夹路径 (默认: sensitive_images)')
parser.add_argument('--confidence', '-c', type=float, default=0.3,
help='检测置信度阈值 (0.0-1.0, 默认: 0.3)')
parser.add_argument('--model', '-m', default='yolov8n.pt',
choices=['yolov8n.pt', 'yolov8s.pt', 'yolov8m.pt', 'yolov8l.pt', 'yolov8x.pt'],
help='YOLO模型大小 (默认: yolov8n.pt)')
parser.add_argument('--device', '-d', default='cpu',
choices=['cpu', 'cuda'],
help='运行设备 (默认: cpu)')
parser.add_argument('--preview', '-p', action='store_true',
help='保存带检测框的预览图')
parser.add_argument('--copy', action='store_true',
help='使用复制模式而不是移动模式')
parser.add_argument('--level', type=int, default=1, choices=[1, 2, 3],
help='最小暴露等级 (1:轻度, 2:中度, 3:高度, 默认: 1)')
args = parser.parse_args()
if not os.path.exists(args.source):
print(f"错误: 源文件夹 '{args.source}' 不存在")
return
extract_sensitive_images(
source_dir=args.source,
target_dir=args.target,
confidence_threshold=args.confidence,
model_size=args.model,
device=args.device,
save_detection_preview=args.preview,
move_instead_of_copy=not args.copy,
min_exposure_level=args.level
)
if __name__ == "__main__":
import sys
if len(sys.argv) == 1:
# 简化模式运行
source_dir = os.getcwd()
target_dir = os.path.join(source_dir, "sensitive_images")
print("女性人体暴露图片检测程序")
print("此操作将检测并分类暴露程度的图片！")
response = input("是否继续？(y/N): ")
if response.lower() == 'y':
extract_sensitive_images(source_dir, target_dir, move_instead_of_copy=True)
else:
print("操作已取消")
else:
main()
方案2：使用专门的NSFW检测模型
如果需要更准确的结果，可以使用专门的NSFW检测模型：
# 需要额外安装的库
# pip install tensorflow keras
def setup_nsfw_detector():
"""设置专门的NSFW检测器"""
try:
# 这里可以使用预训练的NSFW检测模型
# 例如: https://github.com/rockyzhengwu/nsfw
print("正在加载NSFW检测模型...")
# 实际实现需要下载预训练模型
return None
except ImportError:
print("请安装TensorFlow: pip install tensorflow")
return None
使用方法：
# 基本使用（移动模式，检测所有暴露等级）
python sensitive_detector.py
# 只检测高度暴露的图片
python sensitive_detector.py --level 3
# 复制模式（保留原文件）
python sensitive_detector.py --copy
# 指定源文件夹和目标文件夹
python sensitive_detector.py --source ./图片库 --target ./敏感图片
# 保存检测预览
python sensitive_detector.py --preview
# 使用更准确的模型
python sensitive_detector.py --model yolov8s.pt
暴露等级说明：
等级1（轻度） : 检测到人物，可能有轻微暴露等级2（中度） : 检测到较多肤色区域或敏感关键词等级3（高度） : 高度暴露内容，包含大量肤色区域或明确敏感内容
注意事项：
准确率限制 : 这种检测方法有一定误判率隐私保护 : 请确保合法使用，尊重他人隐私法律合规 : 在不同地区使用此类工具可能受到法律限制人工审核 : 建议最终结果由人工审核确认
这个程序会按暴露程度将图片分类到不同的文件夹，方便你进一步处理。
正确的运行方法：
方法1：直接运行Python脚本
# 进入脚本所在目录
cd /home/leepoet/Documents/env/myenv/甜心
# 直接运行Python脚本
python 女性人体暴露.py
方法2：给脚本添加执行权限后直接运行
# 进入脚本所在目录
cd /home/leepoet/Documents/env/myenv/甜心
# 给脚本添加执行权限
chmod +x 女性人体暴露.py
# 直接运行脚本
./女性人体暴露.py
设置自定义检测路径
你可以通过命令行参数灵活指定源文件夹和目标文件夹：
# 检测指定文件夹，结果保存到自定义目录 # 完整参数示例 4. 关键参数说明
--source: 指定需要检测的图片文件夹路径--target: 指定结果输出文件夹路径--confidence: 调整检测灵敏度（0.1-1.0）--model: 选择不同的YOLO模型（影响精度和速度）--preview: 保存带检测框的预览图--copy: 使用复制模式（默认是移动文件）
