Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: vit · dense
Базовая модель: vit-base-patch16-224-in21k
Опубликована: 17 мар 2024

Ссылки

Hugging Face

AI-VS-REAL-IMAGE-DETECTION

Hemg

Классификация изображенийИзображение → label4 профессии

Дообученная модель ViT для классификации изображений как созданных ИИ или реальных.

104скачиваний за 30 дней3лайкавеса обновлены25 мар 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

AI-VS-REAL-IMAGE-DETECTION — модель Hemg, дообученная на основе Vision Transformer google/vit-base-patch16-224-in21k для классификации изображений. Она предназначена для определения, является ли изображение созданным искусственным интеллектом или реальным. В метаданных указаны архитектура ViTForImageClassification, 113,2 млн параметров и формат safetensors. На оценочном наборе модель показала accuracy 0,9584 и loss 0,1088.

Модель принимает изображения и выдаёт класс классификации. Датасет обучения и его состав не раскрыты, поэтому результаты оценки не позволяют судить о точности на других источниках изображений и при изменении способов генерации или обработки изображений. Лицензия — Apache-2.0.

Сценарии применения

проверка, создано ли изображение генеративной моделью
фильтрация синтетических изображений в пользовательских загрузках
анализ происхождения изображений в медиакаталогах

Ограничения

Датасет обучения и его состав не раскрыты; точность 0,9584 относится только к указанному оценочному набору. Устойчивость к новым генераторам, обработке и сжатию изображений не описана.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

AI-VS-REAL-IMAGE-DETECTION

This model is a fine-tuned version of google/vit-base-patch16-224-in21k on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.1088
Accuracy: 0.9584

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 64
eval_batch_size: 64
seed: 42
gradient_accumulation_steps: 4
total_train_batch_size: 256
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_ratio: 0.1
num_epochs: 4
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.3177	1.0	240	0.1919	0.9218
0.148	2.0	481	0.1288	0.9505
0.113	3.0	722	0.1188	0.9539
0.0953	3.99	960	0.1088	0.9584

Framework versions

Transformers 4.38.2
Pytorch 2.1.2
Datasets 2.18.0
Tokenizers 0.15.2

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: ViTForImageClassification
Ревизия весов: b258b5b