/ Модель

Характеристики

Параметры
113 млн
Лицензия
MIT
Архитектура
vit · dense
Базовая модель
vit-base-patch16-224-in21k
Библиотека
transformers
Опубликована
9 мая 2025

ViT-Deepfake-Classifier

Классификация изображенийИзображение → label5 профессий

Классификатор на базе ViT определяет, является ли изображение реальным или сгенерированным либо изменённым.

133скачиваний за 30 дней0лайковвеса обновлены16 дек 2025

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

hamzenium/ViT-Deepfake-Classifier — модель компьютерного зрения, дообученная авторами карточки на базе google/vit-base-patch16-224-in21k. Она использует Vision Transformer (ViT) с архитектурой ViTForImageClassification и содержит 113,2 млн параметров. Модель классифицирует изображения по двум категориям: реальные и поддельные — сгенерированные ИИ или изменённые.

Модель предназначена для выявления дипфейков, проверки подлинности медиаматериалов и исследовательских задач. В README указаны точность 96,56% на тестовой выборке OpenForensics и предпочтительный размер изображений около 224×224 пикселей. Язык модели не применим: входом служит изображение, выходом — метка класса.

Обучение проведено на OpenForensics, поэтому результаты могут ухудшаться на изображениях и методах подделки, отсутствовавших в обучающих данных. Устойчивость к состязательным атакам не проверялась; возможны ошибки и смещения в зависимости от источника, качества и содержания изображения. Модель не следует использовать как единственное основание для важных решений об аутентичности. Метаданные указывают лицензию MIT, тогда как README — Apache 2.0; лицензию следует сверить с файлами репозитория.

Сценарии применения

  • проверка изображений на признаки дипфейка
  • первичная проверка подлинности медиаматериалов
  • фильтрация подозрительных изображений для модерации
  • сравнение реальных и поддельных изображений в исследовательских экспериментах

Ограничения

Обучение на OpenForensics может ограничивать обобщение на новые способы генерации и манипуляции; устойчивость к состязательным атакам не проверялась. Возможны ошибки в зависимости от источника и качества изображения, а оптимальный размер входа — около 224×224 пикселей; модель не следует использовать как единственное основание для важных решений.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ViT Deepfake Detection Model

Model Description

This is a fine-tuned Vision Transformer (ViT) model for binary image classification to detect deepfake images. The model is based on google/vit-base-patch16-224-in21k and has been fine-tuned on the OpenForensics dataset to distinguish between real and fake (AI-generated/manipulated) images.

Model Details

  • Model Type: Vision Transformer (ViT) for Image Classification
  • Base Model: google/vit-base-patch16-224-in21k
  • Task: Binary Image Classification (Real vs Fake Detection)
  • Language: N/A (Computer Vision)
  • License: Apache 2.0

Intended Use

Primary Use Cases

  • Detecting AI-generated or manipulated images
  • Content moderation and verification
  • Research in deepfake detection
  • Media authenticity verification

Out-of-Scope Use

  • This model should not be used as the sole method for making critical decisions about content authenticity
  • Not intended for surveillance or privacy-invasive applications
  • May not generalize well to deepfake techniques not present in the training data

Training Data

The model was trained on the OpenForensics dataset with the following distribution:

  • Training Set: 16,000 images
  • Validation Set: 2000 images
  • Test Set: 2000 images

Images were preprocessed and transformed using ViTImageProcessor with standard normalization.

Training Procedure

Hyperparameters

Training Arguments:
- Batch Size: 24 per device
- Gradient Accumulation Steps: 1
- Mixed Precision: FP16
- Number of Epochs: 10
- Learning Rate: 3e-5
- Weight Decay: 0.02
- Warmup Ratio: 0.08
- LR Scheduler: Cosine
- Label Smoothing: 0.05
- Optimizer: AdamW (default)

Training Hardware

  • GPU: Tesla T4
  • Training Time: ~14 minutes for 10 epochs

Data Augmentation

Standard ViT preprocessing with normalization applied via ViTImageProcessor.

Performance

Validation Set Results (Best Epoch - Epoch 5)

MetricScore
Accuracy96.22%
F1 Score96.22%
Precision96.30%
Recall96.22%

Test Set Results

MetricScore
Accuracy96.56%

Training Progress

The model showed consistent improvement across epochs:

EpochTraining LossValidation LossAccuracyF1 Score
10.22590.256792.89%92.88%
20.20020.236093.44%93.43%
30.13880.192596.11%96.11%
40.13220.216195.67%95.67%
50.11820.220896.22%96.22%
6-100.1170-0.11710.2132-0.214295.67-95.78%95.67-95.78%

Usage

Loading the Model

from transformers import ViTImageProcessor, ViTForImageClassification
from PIL import Image
import torch

# Load model and processor
model = ViTForImageClassification.from_pretrained("YOUR_USERNAME/vit-deepfake-detector")
processor = ViTImageProcessor.from_pretrained("YOUR_USERNAME/vit-deepfake-detector")

# Load and preprocess image
image = Image.open("path_to_image.jpg")
inputs = processor(images=image, return_tensors="pt")

# Make prediction
with torch.no_grad():
    outputs = model(**inputs)
    logits = outputs.logits
    predicted_class = logits.argmax(-1).item()

# Get label
labels = {0: "real", 1: "fake"}
print(f"Prediction: {labels[predicted_class]}")

# Get confidence scores
probabilities = torch.nn.functional.softmax(logits, dim=-1)
confidence = probabilities[0][predicted_class].item()
print(f"Confidence: {confidence:.2%}")

Batch Prediction

from transformers import pipeline

# Create classification pipeline
classifier = pipeline("image-classification", model="YOUR_USERNAME/vit-deepfake-detector")

# Predict on single image
result = classifier("path_to_image.jpg")
print(result)

# Predict on multiple images
images = ["image1.jpg", "image2.jpg", "image3.jpg"]
results = classifier(images)
for img, result in zip(images, results):
    print(f"{img}: {result}")

Limitations and Biases

Known Limitations

  • Dataset Bias: The model was trained on the OpenForensics dataset, which may not represent all types of deepfakes or manipulation techniques
  • Generalization: Performance may degrade on deepfake generation methods not present in the training data
  • Adversarial Robustness: The model has not been explicitly tested against adversarial attacks
  • Resolution Dependency: Best performance on images around 224x224 pixels (ViT input size)

Potential Biases

  • The model's performance may vary across different:
    • Image sources and quality levels
    • Demographic representations in images
    • Types of manipulation techniques
    • Content domains (faces, landscapes, objects, etc.)

Ethical Considerations

  • This model should be used responsibly and not for harassment or privacy invasion
  • Decisions based on this model should involve human oversight, especially in high-stakes scenarios
  • Users should be aware that deepfake detection is an evolving field, and no model is perfect
  • False positives and false negatives can have real-world consequences

Citation

If you use this model, please cite:

@misc{vit-deepfake-detector,
  author = {YOUR_NAME},
  title = {ViT Deepfake Detection Model},
  year = {2024},
  publisher = {HuggingFace},
  howpublished = {\url{https://huggingface.co/YOUR_USERNAME/vit-deepfake-detector}}
}

Author

  • Dr. Lucy Liu
  • Muhammad Hamza Sohail
  • Ayaan Mohammed
  • Shadab Karim
  • kirti Dhir

Disclaimer:

his model is provided for research and educational purposes. Users are responsible for ensuring compliance with applicable laws and ethical guidelines when deploying this model.

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
0d890a3

0 моделей