vit_Liveness_detection_v1.0開源人臉活體檢測模型 - 評估集表現優異，免費可用！

首頁

Vit Liveness Detection V1.0

由nguyenkhoa開發

本模型是基於Transformer庫的人臉活體檢測模型，在評估集上取得了優異的性能。

人臉相關

Transformers

開源協議:Apache-2.0 #高精度活體檢測 #ViT微調模型 #金融級安全驗證

下載量 176

發布時間 : 1/8/2025

模型概述

該模型是對google/vit-base-patch16-224進行微調的人臉活體檢測模型，主要用於區分真實人臉和偽造人臉。

模型特點

高準確率

在評估集上取得了0.9988的準確率、F1值、召回率和精確率

基於ViT架構

使用Vision Transformer架構，具有強大的特徵提取能力

高效訓練

採用自動混合精度訓練，訓練效率高

模型能力

人臉活體檢測

圖像分類

偽造人臉識別

使用案例

身份驗證

金融身份驗證

用於銀行、支付等場景的身份驗證系統

有效防止照片、視頻等偽造攻擊

門禁系統

用於智能門禁的人臉活體檢測

提高門禁系統的安全性

🚀 vit_Liveness_detection_v1.0

本模型是基於Transformer庫的人臉活體檢測模型，它在未知數據集上對 google/vit-base-patch16-224 進行了微調，在評估集上取得了優異的性能。

🚀 快速開始

本模型是 google/vit-base-patch16-224 在未知數據集上的微調版本。它在評估集上取得了以下結果：

損失值：0.0047
準確率：0.9988
F1值：0.9988
召回率：0.9988
精確率：0.9988

📚 詳細文檔

模型描述

更多信息待補充。

預期用途與限制

更多信息待補充。

訓練和評估數據

更多信息待補充。

🔧 技術細節

訓練過程

訓練超參數

訓練過程中使用了以下超參數：

學習率：5e-05
訓練批次大小：128
評估批次大小：8
隨機種子：42
優化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
學習率調度器類型：線性
訓練輪數：5
混合精度訓練：原生自動混合精度（Native AMP）

訓練結果

訓練損失	輪數	步數	驗證損失	準確率	F1值	召回率	精確率
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