Deepfake Detection Using ViT

🚀 使用微調視覺變換器（ViT）進行深度偽造圖像檢測

本項目聚焦於使用預訓練模型 google/vit-base-patch16-224-in21k 的微調版本來檢測深度偽造圖像。該方法藉助視覺變換器（ViT）的強大能力，將圖像分類為真實或偽造。

🚀 快速開始

本項目利用微調後的預訓練模型 google/vit-base-patch16-224-in21k 來檢測深度偽造圖像。通過視覺變換器（ViT）強大的圖像分類能力，能夠準確判斷圖像的真偽。

✨ 主要特性

• 精準檢測：基於微調的預訓練模型，在驗證集和測試集上均取得了較高的準確率。
• 易於使用：提供了清晰的代碼示例，方便用戶快速上手。

📦 安裝指南

文檔未提及安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

from transformers import AutoImageProcessor, AutoModelForImageClassification
import torch
from PIL import Image

# Load the image_processor and model
image_processor = AutoImageProcessor.from_pretrained('ashish-001/deepfake-detection-using-ViT')
model = AutoModelForImageClassification.from_pretrained('ashish-001/deepfake-detection-using-ViT')
# Example usage
image = Image.open('path of the image')
inputs = image_processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
pred = torch.argmax(logits, dim=1).item()
label = 'Real' if pred == 1 else 'Fake'
print(f"Predicted type: {label}")

📚 詳細文檔

模型概述

• 基礎模型：google/vit-base-patch16-224-in21k
• 數據集：深度偽造和真實圖像
• 分類：二分類（偽造，真實）
• 性能：
  • 驗證準確率：97%
  • 測試準確率：92%

圖1：測試數據的混淆矩陣

圖2：驗證數據的混淆矩陣

🔧 技術細節

文檔未提供技術實現細節，故跳過此章節。

📄 許可證

本項目採用 Apache-2.0 許可證。