vit_Liveness_detection_v1.0オープンソース顔のライブネス検出モデル - 評価セットで優れた性能を発揮し、無料で利用可能！

ホーム

Vit Liveness Detection V1.0

nguyenkhoaによって開発

このモデルはTransformerライブラリに基づく顔生体検知モデルで、評価セットで優れた性能を発揮しました。

人の顔に関係がある

Transformers

オープンソースライセンス:Apache-2.0 #高精度生体検知 #ViT微調整モデル #金融レベルのセキュリティ検証

ダウンロード数 176

リリース時間 : 1/8/2025

モデル概要

このモデルはgoogle/vit - base - patch16 - 224を微調整した顔生体検知モデルで、主に真の顔と偽造顔を区別するために使用されます。

モデル特徴

高い正確率

評価セットで0.9988の正確率、F1値、再現率、精度を達成しました

ViTアーキテクチャに基づく

Vision Transformerアーキテクチャを使用し、強力な特徴抽出能力を持っています

効率的なトレーニング

自動混合精度トレーニングを採用し、トレーニング効率が高いです

モデル能力

顔生体検知

画像分類

偽造顔識別

使用事例

身分認証

金融身分認証

銀行、支払いなどのシーンの身分認証システムに使用されます

写真、動画などの偽造攻撃を効果的に防止します

入退室管理システム

スマート入退室管理の顔生体検知に使用されます

入退室管理システムのセキュリティを向上させます

🚀 vit_Liveness_detection_v1.0

このモデルは、Transformerライブラリをベースにした顔のライブネス検出モデルです。未知のデータセットで google/vit-base-patch16-224 をファインチューニングし、評価セットで優れた性能を発揮しています。

🚀 クイックスタート

このモデルは、google/vit-base-patch16-224 を未知のデータセットでファインチューニングしたものです。評価セットでは以下の結果を得ています。

損失値：0.0047
正解率：0.9988
F1値：0.9988
再現率：0.9988
適合率：0.9988

📚 ドキュメント

モデルの説明

詳細は後日追加予定です。

想定される用途と制限

詳細は後日追加予定です。

訓練と評価データ

詳細は後日追加予定です。

🔧 技術詳細

訓練過程

訓練ハイパーパラメータ

訓練時には以下のハイパーパラメータを使用しました。

学習率：5e-05
訓練バッチサイズ：128
評価バッチサイズ：8
乱数シード：42
オプティマイザ：Adam（β1=0.9，β2=0.999，ε=1e-08）
学習率スケジューラタイプ：線形
訓練エポック数：5
混合精度訓練：ネイティブ自動混合精度（Native AMP）

訓練結果

訓練損失	エポック数	ステップ数	検証損失	正解率	F1値	再現率	適合率
0.0254	0.2048	128	0.0148	0.9946	0.9946	0.9946	0.9946
0.0256	0.4096	256	0.0180	0.9945	0.9944	0.9945	0.9945
0.0113	0.6144	384	0.0133	0.9955	0.9955	0.9955	0.9955
0.0116	0.8192	512	0.0070	0.9976	0.9976	0.9976	0.9976
0.0084	1.024	640	0.0072	0.9976	0.9976	0.9976	0.9976
0.0048	1.2288	768	0.0084	0.9976	0.9976	0.9976	0.9976
0.0041	1.4336	896	0.0078	0.9975	0.9975	0.9975	0.9975
0.0015	1.6384	1024	0.0049	0.9983	0.9983	0.9983	0.9983
0.0047	1.8432	1152	0.0068	0.9977	0.9977	0.9977	0.9977
0.0012	2.048	1280	0.0075	0.9975	0.9975	0.9975	0.9975
0.0025	2.2528	1408	0.0095	0.9971	0.9971	0.9971	0.9971
0.0013	2.4576	1536	0.0084	0.9976	0.9976	0.9976	0.9976
0.0026	2.6624	1664	0.0056	0.9985	0.9985	0.9985	0.9985
0.0001	2.8672	1792	0.0096	0.9976	0.9976	0.9976	0.9976
0.0001	3.072	1920	0.0049	0.9987	0.9987	0.9987	0.9987
0.0009	3.2768	2048	0.0085	0.9978	0.9978	0.9978	0.9978
0.0003	3.4816	2176	0.0078	0.9980	0.9980	0.9980	0.9980
0.0002	3.6864	2304	0.0057	0.9985	0.9985	0.9985	0.9985
0.0	3.8912	2432	0.0043	0.9988	0.9988	0.9988	0.9988
0.0	4.096	2560	0.0046	0.9987	0.9987	0.9987	0.9987
0.0	4.3008	2688	0.0045	0.9988	0.9988	0.9988	0.9988
0.0	4.5056	2816	0.0046	0.9988	0.9988	0.9988	0.9988
0.0	4.7104	2944	0.0047	0.9988	0.9988	0.9988	0.9988
0.0	4.9152	3072	0.0047	0.9988	0.9988	0.9988	0.9988