本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 使用內容篩選條件封鎖有害影像
<a name="guardrails-mmfilter"></a>

Amazon Bedrock 防護機制可協助在防護機制內設定內容篩選條件時，封鎖不適當或有害的影像。

**先決條件和限制**
+ 此功能支援純影像，但不支援具有內嵌視訊內容的影像。
+ 此功能通常在美國東部 （維吉尼亞北部）、美國西部 （奧勒岡）、歐洲 （法蘭克福） 和亞太區域 （東京） 提供 AWS 區域，其支援內容篩選條件中的仇恨、侮辱、性、暴力、行為不當和提示攻擊類別。
+ 此功能在美國東部 （俄亥俄）、亞太區域 （孟買、首爾、新加坡、雪梨）、歐洲 （愛爾蘭、倫敦） 和美國 GovCloud （美國西部） 提供預覽 AWS 區域，內容篩選條件中支援仇恨、侮辱、性別和暴力類別。
+ 此功能允許的影像維度上限為 8000x8000 (適用於 JPEG 和 PNG 檔案)。
+ 使用者可以上傳大小上限為 4 MB 的影像，單一請求最多 20 個影像。
+ 預設限制為每秒 25 張影像。此值不可設定。
+ 影像內容僅支援 PNG 和 JPEG 格式。

**概觀**

純影像或包含文字的影像才支援偵測和封鎖有害影像。建立防護機制時，使用者可以自行或搭配文字選項選取影像選項，並將個別的篩選強度設定為 **NONE**、**LOW**、**MEDIUM** 或 **HIGH**。如果同時選取這兩種模態，則對於文字和影像內容這些都是常見的閾值。防護機制將評估以使用者輸入傳送的影像，或從模型回應產生為輸出的影像。

偵測有害影像內容支援的類別如下所述：
+ **仇恨** – 描述因身份 (例如種族、民族、性別、宗教、性取向、能力和國籍) 而歧視、批評、侮辱、譴責或做出非人性化的內容。它還包括顯示仇恨群組符號的圖形和真實視覺內容、仇恨符號，以及與各種鼓吹歧視、種族主義和不容忍的組織相關聯的影像。
+ **侮辱** – 描述包括貶低、羞辱、嘲笑、侮辱或貶低言語的內容。這種類型的語言也被標記為霸凌。它還包含各種形式的粗魯、不尊重或令人反感的手勢，旨在表達藐視、憤怒或不認同。
+ **性暗示** – 描述使用直接或間接引用身體部位、身體特徵或性別，表現出性興趣、活動或激起性欲的內容。它還包括顯示私有部分的影像，以及涉及性交的性活動。此類別也包含卡通、動畫、繪圖、草圖和其他具有性主題的說明內容。
+ **暴力** – 描述包括對個人、群體或實物造成身體痛苦、傷害或損害的美化或威脅的內容。它還包含與具有傷害意圖的武器相關的影像。
+ **不法行為** – 描述輸入提示和模型回應，這些提示和模型回應會尋找或提供有關參與犯罪活動的資訊，或是傷害、詐騙或利用個人、群體或機構。
+ **提示攻擊** – 描述旨在繞過基礎模型的安全和管制功能的使用者提示，以產生有害的內容 (也稱為越獄)，並忽略及覆寫開發人員指定的指示 (稱為提示注入)。需要使用輸入標記，才能套用提示攻擊。提示攻擊偵測需要使用輸入標籤。

**Topics**
+ [使用影像內容篩選條件](#guardrails-use-mmfilter)
+ [使用 API 設定影像的內容篩選條件](#guardrails-use-mmfilter-configure)
+ [設定影像篩選條件以使用 ApplyGuardrail API](#guardrails-use-mmfilter-api)
+ [設定影像篩選條件以使用影像產生模型](#guardrails-use-mmfilter-image-models)

## 使用影像內容篩選條件
<a name="guardrails-use-mmfilter"></a>

**使用影像的內容篩選條件建立或更新防護機制**

建立新的防護機制或更新現有的防護機制時，除了現有的文字選項之外，使用者現在還會看到選取影像的選項。

**注意**  
預設會啟用文字選項，且需要明確啟用影像選項。使用者可以根據使用案例選擇文字和/或影像。

**篩選分類和封鎖層級**

根據使用者輸入和 FM 回應的信賴度分類進行篩選。所有使用者輸入和模型回應都分為四個強度等級：無、低、中和高。篩選強度決定篩選有害內容的敏感度。隨著篩選強度的增加，篩選有害內容的可能性也會增加，而在應用程式中查看有害內容的機率會降低。選取影像和文字選項時，相同的篩選強度會套用至特定類別的兩種模態。

1. 若要設定有害類別的影像和文字篩選條件，請選取**設定有害類別篩選條件**。

1. 選取**文字**和/或**影像**，從提示或進出模型的回應篩選文字或影像內容。

1. 針對您要套用至每個類別的篩選層級，選取**無、低、中或高**。**高**的設定有助於封鎖套用至篩選條件該類別的最多文字或影像。

1. 選取**針對回應使用相同的有害類別篩選條件**，以使用您用於提示的相同篩選條件設定。您也可以選擇不選取此選項，為提示或回應設定不同的篩選條件層級。選取**重設閾值**，以重設提示或回應的所有篩選條件層級。

1. 選取**檢閱並建立**或**下一步**，以建立防護機制。

## 使用 API 設定影像的內容篩選條件
<a name="guardrails-use-mmfilter-configure"></a>

您可以使用防護機制 API 在 Amazon Bedrock 防護機制中設定影像內容篩選條件。以下範例顯示套用了不同有害內容類別和篩選條件強度的 Amazon Bedrock防護機制篩選條件。您可以使用此範本作為您自己使用案例的範例。

使用 `contentPolicyConfig` 操作時，`filtersConfig` 是一個物件，如下列範例所示。

**使用影像內容篩選條件建立防護機制的範例 Python Boto3 程式碼**

```
import boto3
import botocore
import json


def main():
    bedrock = boto3.client('bedrock', region_name='us-east-1')
    try:
        create_guardrail_response = bedrock.create_guardrail(
            name='my-image-guardrail',
            contentPolicyConfig={
                'filtersConfig': [
                    {
                        'type': 'SEXUAL',
                        'inputStrength': 'HIGH',
                        'outputStrength': 'HIGH',
                        'inputModalities': ['TEXT', 'IMAGE'],
                        'outputModalities': ['TEXT', 'IMAGE']
                    },
                    {
                        'type': 'VIOLENCE',
                        'inputStrength': 'HIGH',
                        'outputStrength': 'HIGH',
                        'inputModalities': ['TEXT', 'IMAGE'],
                        'outputModalities': ['TEXT', 'IMAGE']
                    },
                    {
                        'type': 'HATE',
                        'inputStrength': 'HIGH',
                        'outputStrength': 'HIGH',
                        'inputModalities': ['TEXT', 'IMAGE'],
                        'outputModalities': ['TEXT', 'IMAGE']
                    },
                    {
                        'type': 'INSULTS',
                        'inputStrength': 'HIGH',
                        'outputStrength': 'HIGH',
                        'inputModalities': ['TEXT', 'IMAGE'],
                        'outputModalities': ['TEXT', 'IMAGE']
                    },
                    {
                        'type': 'MISCONDUCT',
                        'inputStrength': 'HIGH',
                        'outputStrength': 'HIGH',
                        'inputModalities': ['TEXT'],
                        'outputModalities': ['TEXT']
                    },
                    {
                        'type': 'PROMPT_ATTACK',
                        'inputStrength': 'HIGH',
                        'outputStrength': 'NONE',
                        'inputModalities': ['TEXT'],
                        'outputModalities': ['TEXT']
                    }
                ]
            },
            blockedInputMessaging='Sorry, the model cannot answer this question.',
            blockedOutputsMessaging='Sorry, the model cannot answer this question.',
        )
        create_guardrail_response['createdAt'] = create_guardrail_response['createdAt'].strftime('%Y-%m-%d %H:%M:%S')
        print("Successfully created guardrail with details:")
        print(json.dumps(create_guardrail_response, indent=2))
    except botocore.exceptions.ClientError as err:
        print("Failed while calling CreateGuardrail API with RequestId = " + err.response['ResponseMetadata']['RequestId'])
        raise err


if __name__ == "__main__":
    main()
```

## 設定影像篩選條件以使用 ApplyGuardrail API
<a name="guardrails-use-mmfilter-api"></a>

您可以使用 `ApplyGuardrail` API 對影像和文字內容使用內容篩選條件。此選項可讓您使用內容篩選條件設定，而無需調用 Amazon Bedrock 模型。您可以依照 Amazon Bedrock 防護機制支援的每個底圖基礎模型的推論參數文件，藉此更新下列指令碼中各種模型的請求承載。

您可以依照 Amazon Bedrock 防護機制支援的每個底圖基礎模型的推論參數文件，藉此更新下列指令碼中各種模型的請求承載。

```
import boto3
import botocore
import json


guardrail_id = 'guardrail-id'
guardrail_version = 'DRAFT'
content_source = 'INPUT'
image_path = '/path/to/image.jpg'

with open(image_path, 'rb') as image:
    image_bytes = image.read()

content = [
    {
        "text": {
            "text": "Hi, can you explain this image art to me."
        }
    },
    {
        "image": {
            "format": "jpeg",
            "source": {
                "bytes": image_bytes
            }
        }
    }
]


def main():
    bedrock_runtime_client = boto3.client("bedrock-runtime", region_name="us-east-1")
    try:
        print("Making a call to ApplyGuardrail API now")
        response = bedrock_runtime_client.apply_guardrail(
            guardrailIdentifier=guardrail_id,
            guardrailVersion=guardrail_version,
            source=content_source,
            content=content
        )
        print("Received response from ApplyGuardrail API:")
        print(json.dumps(response, indent=2))
    except botocore.exceptions.ClientError as err:
        print("Failed while calling ApplyGuardrail API with RequestId = " + err.response['ResponseMetadata']['RequestId'])
        raise err


if __name__ == "__main__":
    main()
```

## 設定影像篩選條件以使用影像產生模型
<a name="guardrails-use-mmfilter-image-models"></a>

您也可以將 Amazon Bedrock 防護機制影像篩選條件與 Titan Image Generator 和穩定影像或擴散模型等影像產生模型搭配使用。目前透過 `InvokeModel` API 支援這些模型，可利用防護機制調用。您可以依照防護機制支援的各種 Amazon Bedrock 基礎模型的推論參數文件，藉此更新下列指令碼中各種模型的請求承載。

```
import base64
import boto3
import botocore
import json
import os
import random
import string


guardrail_id = 'guardrail-id'
guardrail_version = 'DRAFT'

model_id = 'stability.sd3-large-v1:0'
output_images_folder = '/path/to/folder/'

body = json.dumps(
    {
        "prompt": "Create an image of a beautiful flower", # Prompt for image generation ("A gun" should get blocked by violence)
        "output_format": "jpeg"
    }
)


def main():
    bedrock_runtime_client = boto3.client("bedrock-runtime", region_name="us-west-2")
    try:
        print("Making a call to InvokeModel API for model: {}".format(model_id))
        response = bedrock_runtime_client.invoke_model(
            body=body,
            modelId=model_id,
            trace='ENABLED',
            guardrailIdentifier=guardrail_id,
            guardrailVersion=guardrail_version
        )
        response_body = json.loads(response.get('body').read())
        print("Received response from InvokeModel API (Request Id: {})".format(response['ResponseMetadata']['RequestId']))
        if 'images' in response_body and len(response_body['images']) > 0:
            os.makedirs(output_images_folder, exist_ok=True)
            images = response_body["images"]
            for image in images:
                image_id = ''.join(random.choices(string.ascii_lowercase + string.digits, k=6))
                image_file = os.path.join(output_images_folder, "generated-image-{}.jpg".format(image_id))
                print("Saving generated image {} at {}".format(image_id, image_file))
                with open(image_file, 'wb') as image_file_descriptor:
                    image_file_descriptor.write(base64.b64decode(image.encode('utf-8')))
        else:
            print("No images generated from model")
        guardrail_trace = response_body['amazon-bedrock-trace']['guardrail']
        guardrail_trace['modelOutput'] = ['<REDACTED>']
        print("Guardrail Trace: {}".format(json.dumps(guardrail_trace, indent=2)))
    except botocore.exceptions.ClientError as err:
        print("Failed while calling InvokeModel API with RequestId = {}".format(err.response['ResponseMetadata']['RequestId']))
        raise err


if __name__ == "__main__":
    main()
```