Характеристики

Лицензия: Apache 2.0
Архитектура: efficientnet · dense
Базовая модель: efficientnet-b6
Опубликована: 18 июн 2024

Ссылки

Hugging Face

DeepFake-EN-B6

Skullly

Классификация изображенийИзображение → label3 профессии

Дообученная EfficientNet-B6 для классификации изображений с целью распознавания дипфейков.

14скачиваний за 30 дней0лайковвеса обновлены18 июн 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

Skullly/DeepFake-EN-B6 — модель классификации изображений, созданная дообучением EfficientNet-B6 от Google для распознавания дипфейков. Она предназначена для оценки изображения и отнесения его к одному из классов, связанных с подлинным или синтетически изменённым лицом. В README указаны точность 0,9989 и loss 0,0036 на тестовом наборе, однако состав набора и методика оценки не описаны.

Модель принимает изображения и выдаёт метку класса. Использует архитектуру EfficientNet-B6 и распространяется в формате safetensors по лицензии Apache-2.0. Результаты на указанном наборе не гарантируют надёжность на других данных; README не раскрывает обучающие данные, ограничения и условия оценки.

Сценарии применения

проверка изображения на признаки дипфейка
классификация изображений лиц как подлинных или синтетических
первичная сортировка изображений для проверки человеком

Ограничения

Состав обучающего и тестового наборов и методика оценки не описаны, поэтому заявленная точность 0,9989 не позволяет судить о качестве на новых источниках изображений. README не уточняет метки классов и известные ограничения модели.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей 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

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DeepFake-EN-B6

This model is a fine-tuned version of google/efficientnet-b6 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0036
Accuracy: 0.9989

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: 3e-05
train_batch_size: 32
eval_batch_size: 32
seed: 42
gradient_accumulation_steps: 8
total_train_batch_size: 256
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: cosine
lr_scheduler_warmup_ratio: 0.1
num_epochs: 2.5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.0076	0.9998	2187	0.0088	0.9970
0.002	2.0	4375	0.0173	0.9931
0.0011	2.4997	5468	0.0036	0.9989

Framework versions

Transformers 4.41.2
Pytorch 2.1.2
Datasets 2.19.2
Tokenizers 0.19.1

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: EfficientNetForImageClassification
Ревизия весов: 173bcbb