Десктопная утилита с графическим интерфейсом для обнаружения уже наложенной цензуры (мозаика, пикселизация, размытие, чёрные плашки) на картинках. Открываете папку с изображениями (или раскадровываете ролик кнопкой «Создать из ролика…») — приложение прогоняет каждый кадр через детектор, обводит найденные области и показывает подробный список того, что нашлось на каждой картинке. Отобранные кадры можно перемещать в коллекции (для сбора датасета/примеров).

Инструмент для просмотра, отладки детекции и отбора кадров. Видео раскадровывает через ffmpeg (ставится автоматически с пакетом imageio-ffmpeg; системный ffmpeg из PATH используется в приоритете), либо через OpenCV.

Возможности

Создать из ролика… — раскадровка видео в папку-коллекцию. Два режима: только ключевые кадры (в разы быстрее — декодируются лишь I-кадры) и каждый N-й кадр; опциональный даунскейл (меньше файлов и нагрузки на диск/АВ). ffmpeg идёт в комплекте (imageio-ffmpeg); системный ffmpeg из PATH — в приоритете.
Коллекции: «Создать коллекцию…» + «В коллекцию» (Ctrl+M) перемещает выбранные кадры в активную папку-коллекцию (мультивыбор поддерживается).
Открыть папку с картинками (.jpg/.png/.bmp/.webp/.tif) — список слева.
Картинка с обводкой контуром найденных областей — по центру.
Подробная таблица детекций справа: тип, уверенность, bbox, число точек полигона. Выбор строки подсвечивает конкретную область на картинке.
Ленивая детекция: картинка прогоняется при первом открытии, результат кэшируется. Кнопка «Детектировать все» обходит всю папку.
Переключение детектора (classic / yolo / combined) и порога уверенности прямо в тулбаре — удобно сравнивать.
Выбор файла весов модели кнопкой «Модель…».

Восстановление (расцензуривание)

Кнопка «Расцензурить кадр» восстанавливает найденные области на текущем кадре, «Показать оригинал/результат» переключает вид, «Сохранить результат» пишет <имя>_restored.jpg (в активную коллекцию или рядом с кадром). Движок выбирается в меню Файл → Движок восстановления….

Два движка:

Инпейнт (cv2) — по умолчанию, без модели и GPU. ⚠️ Заполняет область по окружению, но не реконструирует скрытые детали (замазывает, а не раскрывает).
DeepMosaics — реальное генеративное удаление мозаики. Требует GPU NVIDIA/CUDA (на CPU очень медленно) и отдельной установки. На аниме качество ограничено (модели обучены на реальном видео).

Настройка DeepMosaics

git clone https://github.com/HypoX64/DeepMosaics
# установите зависимости DeepMosaics (см. его README; нужен torch с CUDA)
# скачайте веса (clean_youknow_resnet_9blocks.pth + mosaic_position.pth) в pretrained_models/mosaic

Затем в приложении: Файл → Движок восстановления… → DeepMosaics, укажите папку DeepMosaics (с deepmosaic.py), файл весов и GPU id (-1 = CPU). Приложение вызывает DeepMosaics на текущем кадре и показывает результат.

Важно: для покадрового режима берите картиночную модель clean_youknow_resnet_9blocks.pth. Видеомодель clean_youknow_video.pth (BVDNet) покадрово не работает — ей нужен соседний кадр. Если кадр без мозаики, движок вернёт его без изменений.

DeepMosaics 2021 года рассчитан на старые версии (torch 1.7, numpy 1.19). Проверено: на современных torch 2.x/numpy 2.x картиночная модель запускается (CPU ~7 с/кадр), но если столкнётесь с несовместимостью — заведите для DeepMosaics отдельное окружение по его requirements.txt и укажите его python.exe в диалоге.

Движок подключается через интерфейс core/restore/base.Restorer (build_restorer). LADA (BasicVSR++, лучшее качество на реальном видео, но видеомодель) пока не подключён.

Что НЕ делает (осознанно вне области задачи)

Не генерирует изображения через диффузию (никакого ControlNet/SDXL).
Не детектирует «контент, который следовало бы зацензурить» (NSFW) — ищем именно уже наложенную цензуру.
Полноценное генеративное восстановление пока не подключено (см. выше).

Требования

ОС: Windows 11 x64 (основная целевая платформа).
Python: 3.11+.
GPU (опционально): NVIDIA + CUDA для YOLO-детектора. CPU-режим работает, но медленный. Для classic детектора ни torch, ни GPU не нужны.

Установка

git clone https://github.com/mrleo1nid/HVideoTool.git
cd HVideoTool
python -m venv .venv
.\.venv\Scripts\Activate.ps1
pip install -e .

Этого достаточно для classic детектора — PyTorch/CUDA не требуются. Они нужны только для YOLO/комбинированного детектора (см. Модель детектора).

Запуск

# Без аргументов — папку открываете в приложении (тулбар → «Открыть папку…»)
python -m hvideotool

# Необязательно: сразу открыть папку / переопределить детектор и модель
python -m hvideotool "C:\path\to\images" --detector yolo --model models\lada_mosaic_detection_model_v4_accurate.pt

Выбор детектора, путь к модели и порог сохраняются в ~/HVideoTool/settings.json и применяются при следующем запуске.

Модель детектора

Интерфейс детектора абстрагирован (core/detection/base.py), детектор выбирается в тулбаре (или флагом --detector):

classic — эвристический classic-CV детектор (core/detection/classic_cv.py). Различает mosaic / blur / black_bar, без весов и без GPU. Приблизительный: на реальном видео даёт много ложных срабатываний, заточен скорее под рисованный/аниме контент — но и там ненадёжен.
yolo — ML-детектор на базе Ultralytics (core/detection/yolo.py). Сегментационная модель — маски превращаются в контуры. Рекомендуемые веса — LADA mosaic detection.
combined — CompositeDetector: YOLO (мозаика) + classic-CV (плашки/размытие), результаты объединяются с дедупликацией по IoU.

⚠️ Берите правильную модель. Для YOLO нужна модель детекции цензуры (LADA lada_mosaic_detection_model_v4_accurate.pt). Если по ошибке указать обычную COCO-модель (yolo11n-seg.pt), она будет детектить людей/предметы и помечать их как unknown — это и есть «шум». Файл LADA лежит в models/.

Домен важен. Модель LADA обучена на реальном видео (JAV); на части рисованного/аниме контента работает, на части — плохо. Хорошего публичного YOLO-детектора цензуры для аниме нет — это потребовало бы обучения своей модели.

Своя модель мозаики для аниме. Можно обучить YOLO11-seg на синтетике (накладываем мозаику на чистые кадры → авторазметка) и подключить .pt в наш YoloDetector без изменений кода. Инструменты — в scripts/training/:

python scripts\training\gen_mosaic_dataset.py --input C:\clean_frames --output dataset_mosaic
python scripts\training\train_mosaic.py --data dataset_mosaic\data.yaml --epochs 100
# затем: тулбар → Детектор yolo → «Модель…» → runs\segment\mosaic\weights\best.pt

Установка YOLO-детектора:

pip install -e ".[yolo]"
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu121

curl.exe -L -o models\lada_mosaic_detection_model_v4_accurate.pt `
  "https://huggingface.co/ladaapp/lada/resolve/main/lada_mosaic_detection_model_v4_accurate.pt?download=true"

python -m hvideotool --detector yolo --model models\lada_mosaic_detection_model_v4_accurate.pt

⚠️ Лицензия. Ultralytics YOLO и веса LADA — AGPL-3.0. Classic-CV детектор от этого свободен.

Архитектура (кратко)

hvideotool/
├── __main__.py              # точка входа + CLI (всё опционально)
├── app.py                   # инициализация QApplication
├── config.py                # настройки: пороги детекции, оверлей, детектор/модель
├── settings_store.py        # детектор/модель/порог/последняя папка → settings.json
├── ui/
│   ├── main_window.py       #   окно: список файлов | картинка | таблица детекций
│   └── image_view.py        #   отрисовка картинки + оверлей-контуры (QPainter)
└── core/
    ├── imageio.py           #   unicode-safe чтение/запись картинок (Windows-пути)
    ├── video/frame.py       #   Frame (картинка BGR + индекс + pts) — вход детектора
    └── detection/
        ├── base.py          #   Detector (ABC): detect(frame) -> list[Detection]
        ├── factory.py       #   build_detector(config) -> classic/yolo/combined
        ├── types.py         #   Detection (+ to_dict/from_dict), CensorType
        ├── classic_cv.py    #   эвристический детектор (mosaic/blur/black_bar)
        ├── yolo.py          #   YOLO-детектор (Ultralytics, маски→полигоны)
        └── composite.py     #   CompositeDetector: объединение детекторов

Детекция синхронная (по клику/по кнопке «Детектировать все»); тяжёлый YOLO на CPU заметно медленнее, чем на CUDA.

Технологический стек

Компонент	Выбор
Язык	Python ≥ 3.11
GUI	PySide6 (Qt 6)
Обработка картинок	OpenCV / NumPy
Детектор (без весов)	classic-CV эвристика (без GPU)
Детектор (ML)	Ultralytics YOLO + PyTorch/CUDA (LADA)

Лицензия

TBD.

README.md Unescape Escape

HVideoTool