Характеристики

Параметры: 28,3 млн
Архитектура: dinov2 · dense
Базовая модель: dinov2_Liveness_detection_v2.1.4
Библиотека: transformers
Опубликована: 14 янв 2025

Ссылки

Hugging Face

dinov2_Liveness_detection_v2.2.1

nguyenkhoa

Классификация изображенийИзображение → label3 профессии

Дообученный классификатор DINOv2 определяет живость по изображениям для сценариев проверки присутствия человека.

17скачиваний за 30 дней0лайковвеса обновлены23 янв 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

nguyenkhoa/dinov2_Liveness_detection_v2.2.1 — дообученный классификатор изображений на архитектуре DINOv2, созданный на основе nguyenkhoa/dinov2_Liveness_detection_v2.1.4. Модель предназначена для определения живости по изображению, например для проверки присутствия живого человека в сценариях контроля доступа или верификации личности. В репозитории указаны 28,3 млн параметров и формат safetensors; для запуска предусмотрена библиотека Transformers.

В README приведены метрики на оценочных данных: accuracy и F1 по 0,991, а также отдельные показатели другого раздела оценки: accuracy 0,8626, F1 0,8909, recall 0,9924, precision 0,6903, APCER 0,1940, BPCER 0,0076 и ACER 0,1008. Датасет и подробности назначения не описаны, поэтому результаты могут зависеть от используемых данных и условий съёмки. Лицензия в предоставленных сведениях не указана.

Сценарии применения

проверка живости лица по изображению
обнаружение попыток обмана при биометрической проверке
классификация изображений для контроля доступа
оценка живости в потоке верификации личности

Ограничения

В README не раскрыты обучающий датасет, классы классификации и условия съёмки. Показатели оценки различаются между разделами, а precision 0,6903 и APCER 0,1940 указывают на возможные ошибки обнаружения атак.

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 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 IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

dinov2_Liveness_detection_v2.2.1

This model is a fine-tuned version of nguyenkhoa/dinov2_Liveness_detection_v2.1.4 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0301
Accuracy: 0.9910
F1: 0.9910
Recall: 0.9910
Precision: 0.9910

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: 768
eval_batch_size: 8
seed: 42
optimizer: Use adamw_torch with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: linear
num_epochs: 5
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Recall	Precision
0.4052	0.3232	64	0.0775	0.9712	0.9713	0.9712	0.9712
0.0784	0.6465	128	0.0545	0.9803	0.9803	0.9803	0.9804
0.0639	0.9697	192	0.0615	0.9771	0.9772	0.9771	0.9772
0.0479	1.2929	256	0.0572	0.9795	0.9794	0.9795	0.9800
0.0439	1.6162	320	0.0422	0.9844	0.9844	0.9844	0.9844
0.0392	1.9394	384	0.0564	0.9803	0.9801	0.9803	0.9810
0.0374	2.2626	448	0.0464	0.9837	0.9837	0.9837	0.9837
0.0273	2.5859	512	0.0378	0.9861	0.9861	0.9861	0.9861
0.0271	2.9091	576	0.0336	0.9883	0.9883	0.9883	0.9884
0.021	3.2323	640	0.0418	0.9859	0.9859	0.9859	0.9859
0.019	3.5556	704	0.0454	0.9848	0.9849	0.9848	0.9849
0.0177	3.8788	768	0.0359	0.9883	0.9883	0.9883	0.9883
0.0134	4.2020	832	0.0410	0.9874	0.9874	0.9874	0.9877
0.0102	4.5253	896	0.0314	0.9910	0.9910	0.9910	0.9910
0.0103	4.8485	960	0.0301	0.9910	0.9910	0.9910	0.9910

Evaluate results

Accuracy: 0.8626
F1: 0.8909
Recall: 0.9924
Precision: 0.6903
APCER: 0.1940
BPCER: 0.0076
ACER: 0.1008

Framework versions

Transformers 4.47.0
Pytorch 2.5.1+cu121
Datasets 3.2.0
Tokenizers 0.21.0

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: Dinov2ForImageClassification
Ревизия весов: dab24a5