Open Deepfake Detection

🚀 open-deepfake-detection

open-deepfake-detectionは、二値画像分類のためにsiglip2-base-patch16-512から微調整されたビジョン言語エンコーダーモデルです。OpenDeepfake-Previewデータセットを使用して、画像が偽物か本物かを検出するように訓練されています。このモデルはSiglipForImageClassificationアーキテクチャを使用しています。

🚀 クイックスタート

open-deepfake-detectionは、画像がAI生成の偽物か本物の写真かを検出するためのモデルです。以下のセクションでは、モデルの使用方法や必要な依存関係のインストール方法について説明します。

✨ 主な機能

• バイナリ画像分類：画像が偽物か本物かを検出します。
• 微調整済みモデル：siglip2-base-patch16-512から微調整されています。
• 特定のデータセットで訓練：OpenDeepfake-Previewデータセットを使用して訓練されています。

📦 インストール

必要な依存関係をインストールするには、以下のコマンドを実行してください。

pip install -q transformers torch pillow gradio hf_xet

💻 使用例

基本的な使用法

以下のコードは、モデルを使用して画像を分類する方法を示しています。

import gradio as gr
from transformers import AutoImageProcessor, SiglipForImageClassification
from PIL import Image
import torch

# Load model and processor
model_name = "prithivMLmods/open-deepfake-detection"  # Updated model name
model = SiglipForImageClassification.from_pretrained(model_name)
processor = AutoImageProcessor.from_pretrained(model_name)

# Updated label mapping
id2label = {
    "0": "Fake",
    "1": "Real"
}

def classify_image(image):
    image = Image.fromarray(image).convert("RGB")
    inputs = processor(images=image, return_tensors="pt")

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).squeeze().tolist()

    prediction = {
        id2label[str(i)]: round(probs[i], 3) for i in range(len(probs))
    }

    return prediction

# Gradio Interface
iface = gr.Interface(
    fn=classify_image,
    inputs=gr.Image(type="numpy"),
    outputs=gr.Label(num_top_classes=2, label="Deepfake Detection"),
    title="open-deepfake-detection",
    description="Upload an image to detect whether it is AI-generated (Fake) or a real photograph (Real), using the OpenDeepfake-Preview dataset."
)

if __name__ == "__main__":
    iface.launch()

📚 ドキュメント

ラベル空間

このモデルは、画像を以下の2つのクラスに分類します。

Class 0: Fake  
Class 1: Real

推論のデモ

以下は、モデルの推論結果のデモです。

[!warning] real

[!warning] fake

推論結果のレポート

Classification Report:
              precision    recall  f1-score   support

        Fake     0.9718    0.9155    0.9428     10000
        Real     0.9201    0.9734    0.9460      9999

    accuracy                         0.9444     19999
   macro avg     0.9459    0.9444    0.9444     19999
weighted avg     0.9459    0.9444    0.9444     19999

意図された用途

open-deepfake-detectionは以下の用途に設計されています。

• ディープフェイク検出 – AI生成または操作された画像を識別します。
• コンテンツモデレーション – 合成または偽の視覚コンテンツをフラグ付けします。
• データセットの選別 – 混合データセットから合成サンプルを削除します。
• 視覚的な信憑性検証 – 視覚メディアの整合性をチェックします。
• デジタルフォレンジック – 画像のソース検証と追跡可能性をサポートします。

参考論文

[!note] SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features https://arxiv.org/pdf/2502.14786

重要な注意事項

⚠️ 重要提示

このモデルは実験的なモデルです。

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。

モデル情報