Pixiv Collector

中文版点这里 (Click here to Chinese)

目次:

1. 説明 & デモ
2. 使い方
   • 環境構築
   • Chainer-デバッグ
   • 実行
3. 自分の分類器を作ろう！
4. プロジェクトの仕組み
   • ウェブクローラ
   • 畳み込みニューラルネットワーク
5. その他

1. 説明 & デモ

自作のウェブクローラｘ画像識別器のプログラムです.
具体的な機能は、Pixivの画像作品を保存、解析、そして自動分類することです.

プログラムは主に２つの部分で構成されています：
ひとつはウェブクローラ、作品をスキャンと保存するためのプログラムです.
もうひとつは畳み込みニューラルネットワーク（Convolutional Neural Networks, 以下CNNと略します）に用いる画像分類器、Chainerで書きました.

• 分類ルール：
  • グルプ１： 完成度の高い絵（例えば、綺麗な背景を持つ、彩り豊か、線も綺麗など）
  • グルプ２： 漫画，スケッチ，線画、落書き，ちびチャラなど
  • 個人趣味でこの二項分類ルールを作りました、自分の分類器を作りたい場い、第３節を参考にしてください.

デモ:
demo-site

——————————————————————————————————————————————————————

2. 使い方

2.1. 環境構築

システム: 開発とテスト共にLinuxです、論理上Windowsにも使えますか…Linuxを推奨します
（クローラ部分は win10x64 でも使えることを実証しました）

ハードウェア: 実行だけなら、月500円の格安VPS（メモリ1G、共有CPU、グラボ無し）でも問題ないです.　自分の分類器を作りたい場、第３節を参考にしてください.

Liunx上の環境構築：

(Ubuntu の場は Debian を参考にしてください，コマンドは同じです)

————————————————————————————————————————
2.1.1 Python3をインストールする：

Debian: apt-get install python3 python3-dev python3-all
CentOS: コンパイルインストールが必要です， Python3.6.0を例にすれば:

wget https://www.python.org/ftp/python/3.6.0/Python-3.6.0.tar.xz
tar xf Python-3.6.0.tar.xz
cd Python-3.6.0*
./configure
make
make install
# パッケージをダウンロード　-> 解凍 -> 解凍したファイルに入る -> 環境設定 & チェック -> コンパイル　-> インストール

————————————————————————————————————————
2.1.2 OpenCVをインストールする：

Debian: ホムページを参考にしてコンパイルインストール
CentOS: yum install opencv*

————————————————————————————————————————
（推奨）2.1.3 virtualenvをインストールする（クリーンな実行環境を維持するため）：

pip3 install virtualenv

virtualenv環境を作る：

virtualenv -p python3 --no-site-package PixivCollector

virtualenv環境に入る：

source PixivCollector/bin/active

————————————————————————————————————————
2.1.4 必要なPythonパッケージをインストールする：

pip install numpy opencv-python chainer requests lxml beautifulsoup4

————————————————————————————————————————

2.2. Chainer-デバッグ

Chainer v1.22.0 ヴァージョンもう公開されましたので、本節を無視してください.
古いヴァージョンを使っている方はヴァージョンがアップしてください:
pip install chaienr --upgrade

————————————————————————————————————————

2.3.1 実行

いよいよ実行部分になりました！

コードをダウンロードしよう：

git clone https://github.com/shinpoi/pixiv_collector.git

そして：

1. setting.pyを編集してください： PIXIV_ID="----" と PIXIV_PW="----" の----部分を自分のPixivアカウントとパスワードで入れ替わってください.
2. コマンド: python crawler.py で実行.

そうしますと、プログラムは昨日の（0:00~12:00で使うなら，一昨日の）日間ランキング前２００枚を分類して、ディレクトリ./pixivに保存します.

————————————————————————————————————————

2.3.2 パラメータ付きの使い方

crawler.py パラメータはショートとロング二種類の書き方があります、効果は同じです.
日付を例にして：
ショット： -d 20170312
ロング： --date=20170312
P.S. 文字列に引用符はいらない.

パラメータ:

• モード選択: -m --mode //‘rank’が’artist’が必要、スキャンの目標をランキングがユーザーがを設定する. デフォルト値は’rank’.

• 'rank'モード:
  • 時間選択: -d --date // ８桁の数値を必要、例えば、２０１７年３月１２日のランキングなら、‘20170312’と入力（引用符いらない）、デフォルト値は昨日/一昨日.
    • ページ選択: -p --page //　1〜１０の整数が必要、１ページの作品は５０作、 デフォルト値は４.
    • ランキング選択: -c --class // ‘daily’、’weekly’、’monthly’ のいずれは必要、日間、週間、月間ランキングを指定する、デフォルト値は’daily’.

• 'artist'モード:
  • uid指定: -u --uid // ユーザーのuidが必要、’artist’モードなら必ず入力してください、入力しない場エラーが出ます.
  • モード指定#2: -c --class // ‘works’が’bookmarks’ が必要、ユーザーの作品をスキャンするか、ブックマークをスキャンするかを選択する、デフォルト値は’works’.

クローラだけを使う（分類器がいらないの場い）：

• パラメータno-classify を付けてください, そうすると分類器がoffになります.

例えば、とある人（uid=99999999）のブックマークにある全ての画像を保存したいなら：
コマンド: python crawler.py -m artist -u 99999999 --class=bookmarks no-classify

——————————————————————————————————————————————————————

3. 自分の分類器を作ろう！

必要環境：メモリが8G以上のNvidiaグラフィックカード（目安: GTX1070+）
（いきなり酷い要求？！

環境構築：

CUDAをインストールしてください（ヴァージョンは7.5と8のどっちでも問題ないです）
cuDNNをインストールしてください
cuDNNインストールしたら，chainerを入れなおす: (PixivCollector)$ pip install chainer

————————————————————————————————————————

CNNのトレーニング手順:

3.1 トレーニングデータを用意する：

画像データの置く場所は./dataset中のtrain_positive, train_negative, test_positive, test_positive四つのファイル.
train*の中はトレーニングデータ，positiveとnegative各２００枚以上、まだ５０の整数倍の枚数の画像を勧めします。
test*の中はテストデータ，トレーニングに影響がない，分類器の性能を評価するだけ使います，トレーニングデータと違うデータを、少しだけ入れいいです（各５０枚を勧め）

簡単な人物と非人物の識別から，抽象的な’好き’と’嫌い’，どんどん試してください！（でも実際的に、特徴が具体的な方が分類効果がいいです
画像の色は分類効果に影響しません，全てのデータはモノクロ画像として解析していますから，理由は4.2節で説明します。

3.2 トレーニングデータの前処理：

python init_data.py

3.3 元ネットのバックアップ：

cpu_model.npzをバックアップしてください.

3.4 トレーニング：

python train_model.py
トレーニング終わったら、新しいcpu_model.npzファイルが生成されます.

——————————————————————————————————————————————————————

4. プロジェクトの仕組み（開発者向け）

構造は下記のとうりとなります：

pixiv_collector
├── setting.py —— 各ファイル共通のパラメータ，まだ、アカウントとパスワードを設定する場所
├── init_dataset.py —— サンプルの前処理プログラム（サンプルを133x133のグレースケール画像として保存する）
├── train_model.py —— CNNをトレーニングするプログラム
├── cpu_model.npz —— トレーニング完成したCNNのパラメータ
├── predictor.py —— 画像分類のプログラム
├── crawler.py —— pixivクローラ
├── demo_creator.py —— デモサイトを生成するプログラム
├── src
　　　├── _init_.py —— 空っぽ，pythonを使うため必要なファイル
　　　├── model.py —— ニューラルネットワーク構造を定義するファイル
　　　├── index.html ——- デモサイトホムページのテンプレート
　　　└── template.html ——- デモサイト実演ページのテンプレート

————————————————————————————————————————

4.1 クローラ

crawler.py
実装した、でも使っていない機能：

• 評価（pixivでとある作品を評価する）score()
  （このプロジェクト最初の目的は、プログラムに自分はどんなの作品が’好き’を教えて、そしてクローラをpixiv上自由に駆け回させて、自分が好きな作品を集める、ついてに満点を付けることです.
  でも’好き’という感覚はやはり曖昧過ぎて、分類の効果はあんまりいいではなっかた. プログラムを修正しつつ、今の形になりました.　まぁ、今後努力の目標はプログラムを私の’好き’と’嫌い’の作品が分かるように改良することです~）

————————————————————————————————————————

4.2 畳み込みニューラルネットワーク

使うモデルはGoogle Inception v2の簡素化ヴァージョン. モデル定義はmodel.pyにあります.

参考文献:
https://arxiv.org/abs/1502.03167
https://arxiv.org/abs/1512.00567

• どうして簡素化？
  元々Inception v2の完全ヴァージョンを使うつもりなんですか………グラボメモリ不足のエラーが出てきました.

• どうしてモノクロ画像？
  メモリ不足の問題を解決するため、いろいろ試行錯誤をしました.
  そして、画像のサイズをある程度縮って、モノクロ画像と変わるとしでも、分類器の性能は殆ど変りませんの結果が得られました.
  様々な調整の後、モデルは今の形になりました.

——————————————————————————————————————————————————————

5. 最後

ある程度振分けることをできましたが、実用にはまだまだです.
現段階正解率が高い（グルプ１と分類される作品は確か皆完成率高い）ですが、再現率が低い（完成率高い作品はグルプ２の中にもたくさんあります）

しばらくの目標は正解率を維持しながら再現率を上がることです.
遠い目標は当然、最初の目的　——　プログラムに自分はどんなの作品が’好き’を教えることです.

以上です.

Pixiv Collector

日本語はこちらへ (Click here to Japanese)

目录:

1. 说明 & demo
2. 使用
   • 环境构筑
   • chainer-debug
   • 运行
3. 训练自己的网络
4. 文件结构
   • 爬虫
   • 神经网络
5. 结尾 & 计划

1. 说明 & demo

一个按指定规则扫描pixiv上的图片，并按一定规律自动分类的程序.

• 规律：
  • 正类： 完成度比较高的图（比如丰富的背景，流畅的线条，有上色什么的）
  • 负类： 漫画，线稿，草稿，Q版画，ll脸，巨乳，巨臀，只有腿的图……等等
  • 目前按个人喜好分为这两类，想定制自己的分类规则的话，参考第三节.

程序由两部分组成：一部分是pixiv爬虫，用来扫描并下载排行榜信息和图片；另一部分是一个基于卷积神经网络（CNN）的分类器，由chainer实现。

像这样:

————————————————————————————————————————————————————

2. 使用

——————————————————————————————————————————

2.1. 环境配置

开发和测试的环境为皆Liunx。Windows上理论可以使用，有兴趣可以自行研究。。。
（爬虫部分在 win10x64 下测试可以正常使用）

Liunx下的环境配置：
(Ubuntu 参照 Debian，命令相同)

Python3：
Debian: apt install python3 python3-dev python3-all
CentOS: 需要编译安装， 大致步骤:

wget https://www.python.org/ftp/python/3.6.0/Python-3.6.0.tar.xz
tar xf Python-3.6.0.tar.xz
cd Python-3.6.0*
./configure
make
make install

OpenCV：
Debian: 参照官网编译安装
CentOS: yum install opencv*

（推荐）安装virtualenv（用于保持环境纯净）：

pip3 install virtualenv

进入virtualenv环境：

virtualenv -p python3 --no-site-package PixivCollector  
source PixivCollector/bin/active

安装相关的Python包：

pip install numpy opencv-python chainer requests lxml beautifulsoup4

——————————————————————————————————————————

2.2. Chainer Debug

新版终于发行了，请无视这节。老版本的用户请升级到v1.22.0版（pip install chainer --upgrade）

——————————————————————————————————————————

2.3. 运行

激动人心的步骤！

下载本程序：
git clone https://github.com/shinpoi/pixiv_collector.git

然后：

1. 打开setting.py，设置 PIXIV_ID= 和 PIXIV_PW= 为自己的pixiv帐号和密码.
2. 执行 python crawler.py

程序会扫描并下载昨天（如果你在0:00~12:00使用的话，扫描前天）的日间排行榜前200张图片，分类保存在./pixiv目录下.

——————————————————————————————————————————

2.4. 进阶使用

crawler.py 接受长短参数 —— 两种参数写法不同但效果相同。
以日期为例：
短参数： -d 20170312
长参数： --date=20170312
字符串不用加引号.

参数：

• 指定模式: -m --mode // 接受’rank’或者’artist’，判断扫描排行榜还是扫描用户. 默认为’rank’.

• rank模式下:
  1. 指定时间: -d --date // 接受一个时间字符串作为参数，比如: ‘20170312’，默认为昨天.
  2. 指定页数: -p --page //接受一个1～10的整数作为参数，1页50张图，默认为四页.
  3. 指定榜单: -c --class // 接受 ‘daily’, ‘weekly’, ‘monthly’ 中的一个，默认为’daily’.

• artist模式下
  1. 指定uid: -u --uid // 接受用户的数字id，不输入会报错
  2. 指定模式: -c --class // 接受 ‘works’, ‘bookmarks’ 中的一个，默认为’works’.

仅仅作为爬虫使用：

• 参数no-classify (不需要值，不加--), 关闭分类器.

举例，比如我想下载我自己 (uid=1941321) 所有收藏的图片的话，可以输入：
输入: python crawler.py -m artist -u 1941321 --class=bookmarks no-classify

————————————————————————————————————————————————————

3. 训练自己的网络

要求：一张显存8G在以上的Nvidia显卡（GTX1070+）.

环境配置：
安装 CUDA（7.5和8都行）
安装 cuDNN
装好CuDNN后，重装 chainer: (PixivCollector)$ pip install chainer

准备训练数据：
将数据分别放入dataset文件夹下的train_positive, train_negative, test_positive, test_positive里.
train*里为正负训练数据，推荐各200张以上，并为50的整数倍。
test*为测试数据，不影响训练结果，放少量测试就行，不能和train里的重复（推荐正负各50张）

这个网络是个简单的图像二分类器，要针对哪两个属性分类请自由发挥，从最实际的分辨人物和非人物，到抽象的比如喜欢和不喜欢，都可以试试……当然差异越具体分类效果越好。
另外颜色不会影响分类，样本都被预处理为灰度图了，原因在4.2节说明。

初始化训练样本：
python init_data.py

备份原网络：
给cpu_model.npz做个备份

训练：
python train_model.py
训练完成后新的cpu_model.npz会覆盖目录下的原文件.

————————————————————————————————————————————————————

4. 文件结构（开发者向）

总体结构如图：

pixiv_collector
├── setting.py —— 一些各模块通用的设定，也是设置帐号密码的地方
├── init_dataset.py —— 初始化样本（把图片压缩为133x133的单色图， 原因见4.2节）
├── predictor.py —— 分类器，用训练完成的cpu_model.npz进行分类
├── train_model.py —— 训练神经网络的主程序
├── cpu_model.npz —— 训练好的网络参数文件
├── crawler.py —— pixiv爬虫
├── demo_creator.py —— 生成demo网页的程序
├── src
　　　├── _init_.py —— 空文件，python自身需要
　　　├── model.py —— 神经网络结构的定义文件
　　　├── index.html ——- demo网页主页的模板
　　　└── template.html ——- demo网页展示页面的模板

4.1 爬虫

setting.py
实装了但没使用的功能：

• 打分
  （这个项目最初的目的是分类出我喜欢的图，然后让爬虫在pixiv上随机扫描，并收集我可能喜欢的图，然后给正类评分。但喜欢这个感觉实在是太玄学了，分类效果一直不太理想，所以渐渐做成了现在这样。当然，努力的目标还是让计算机理解我‘喜欢’什么样的图。）

4.2 神经网络

使用的网络模型为Google Inception v2的简化型. 具体可以查看model.py，对CNN有了解的话应该很容易看懂.

参考这两篇论文:
https://arxiv.org/abs/1502.03167
https://arxiv.org/abs/1512.00567

为什么简化？
原本我用的是完整版的v2网络…………然后显存爆了

调试的过程中试着降低样本的尺寸和保存为单色，发现分类效果几乎没变化（甚至还略有提高 <— 实验次数不多，也可能是偶然）
于是最终选用了这个尺寸。

————————————————————————————————————————————————————

5. 结尾 & 计划

第一次做神经网络在图像识别方面的应用，也算是自己第一个大点的程序方面的项目……不成熟的地方有很多，样本也太多时间没好好搜集……
以后会慢慢完善的（大概（相信不会坑（真的！
花了一个多星期没日没夜训练网络 & 写程序，成型的时候还是挺有成就感（虽然完全不实用wwwww

附: 每次更新网络参数都上传git的话太浪费了，新训练的网络我会放在自己的网站上，有兴趣可以下下来试试.
（暂没开放，下次改版时附上链接）