Open Deepfake Detection

🚀 開源深度偽造檢測模型

開源深度偽造檢測模型是一個基於視覺 - 語言編碼器的模型，它在 siglip2-base-patch16-512 基礎上進行微調，用於二分類圖像分類任務。該模型使用 OpenDeepfake-Preview 數據集進行訓練，能夠檢測圖像是偽造的還是真實的。模型採用 SiglipForImageClassification 架構。

🚀 快速開始

安裝依賴

pip install -q transformers torch pillow gradio hf_xet

推理代碼

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()

演示推理

⚠️ 重要提示

以下是真實圖片示例：

⚠️ 重要提示

以下是偽造圖片示例：

✨ 主要特性

分類報告

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

標籤空間

模型將圖像分為以下兩類：

Class 0: 偽造
Class 1: 真實

預期用途

open-deepfake-detection 模型旨在用於以下場景：

• 深度偽造檢測：識別由人工智能生成或經過篡改的圖像。
• 內容審核：標記合成或偽造的視覺內容。
• 數據集整理：從混合數據集中移除合成樣本。
• 視覺真實性驗證：檢查視覺媒體的完整性。
• 數字取證：支持圖像來源驗證和可追溯性。

相關論文

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

注意事項

⚠️ 重要提示

此為實驗性模型。

📄 許可證

本項目採用 Apache-2.0 許可證。

📦 模型信息