/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224-in21k
Библиотека
transformers
Опубликована
25 янв 2025

ai_vs_human_generated_image_detection

Классификация изображенийИзображение → label4 профессии

Дообученная модель ViT классифицирует изображения как созданные человеком или сгенерированные ИИ.

970скачиваний за 30 дней6лайковвеса обновлены28 янв 2026

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

Модель dima806/ai_vs_human_generated_image_detection — дообученная версия Vision Transformer (ViT) для классификации изображений на созданные человеком и сгенерированные ИИ. Она предназначена для проверки происхождения отдельного изображения и первичного отбора подозрительных изображений. Модель содержит 113,2 млн параметров, построена на базе google/vit-base-patch16-224-in21k и распространяется в формате Safetensors для библиотеки Transformers.

В отчёте README указаны точность 97,87% и метрики на тестовой выборке примерно из 8 тысяч изображений. Эти результаты относятся к данным, использованным при оценке: карточка предупреждает, что обучающая выборка собрана примерно год назад, а новые генераторы изображений могут заметно снизить качество из-за изменения распределения данных. Для актуального применения рекомендуется переобучение на свежих размеченных примерах. Лицензия — Apache-2.0.

Сценарии применения

  • проверка изображения на генерацию ИИ
  • первичная сортировка изображений по вероятному происхождению
  • поиск потенциально синтетических изображений в коллекции

Ограничения

Качество может снизиться на изображениях, созданных новыми генераторами, поскольку обучающие данные собраны примерно год назад. Указанная точность получена на тестовой выборке и не гарантирует такой же результат на новых данных; для актуального применения рекомендуется переобучение.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Note to users who want to use this model in production

Beware that this model is trained on a dataset collected about 1 year ago. Since then, there is a remarkable progress in generating deepfake images with common AI tools, resulting in a significant concept drift. To mitigate that, I urge you to retrain the model using the latest available labeled data. As a quick-fix approach, simple reducing the threshold (say from default 0.5 to 0.1 or even 0.01) of labelling image as a fake may suffice. However, you will do that at your own risk, and retraining the model is the better way of handling the concept drift.

=======

Predicts with about 98% accuracy whether an attached image is AI-generated.

See https://www.kaggle.com/code/dima806/ai-vs-human-generated-images-prediction-vit for details.

image/png

Classification report:

              precision    recall  f1-score   support

       human     0.9655    0.9930    0.9790      3998
AI-generated     0.9928    0.9645    0.9784      3997

    accuracy                         0.9787      7995
   macro avg     0.9791    0.9787    0.9787      7995
weighted avg     0.9791    0.9787    0.9787      7995

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTForImageClassification
Ревизия весов
341594f

0 моделей