Характеристики

Параметры: 28,3 млн
Архитектура: dinov2 · dense
Базовая модель: dinov2_Liveness_detection_v2.2.1
Библиотека: transformers
Опубликована: 15 янв 2025

Ссылки

Hugging Face

dinov2_Liveness_detection_v2.2.2

nguyenkhoa

Классификация изображенийИзображение → label3 профессии

Дообученный классификатор DINOv2 определяет живость по изображению для систем проверки присутствия человека.

11скачиваний за 30 дней1лайквеса обновлены3 фев 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_v2.2.2 — дообученный классификатор изображений на основе DINOv2, разработанный автором репозитория. Модель предназначена для определения живости по изображению в сценариях проверки присутствия человека и противодействия подмене лица; README указывает, что обучение проводилось на неизвестном наборе данных.

В репозитории заявлена точность 0,9934 и F1 0,9934 на оценочной выборке. Отдельно приведены метрики APCER 0,1804, BPCER 0,0123 и ACER 0,0963, а также точность 0,8706 и F1 0,8982; различие результатов указывает на зависимость качества от набора или протокола оценки. Модель содержит 28,3 млн параметров, использует архитектуру DINOv2 и формат safetensors; для работы применяется библиотека Transformers. Лицензия в предоставленных данных не указана.

Сценарии применения

проверка живости лица при удалённой идентификации
обнаружение попыток пройти проверку с фотографией или другим поддельным изображением
классификация кадров для контроля присутствия человека

Ограничения

README не описывает набор данных, классы модели и условия оценки; результаты в карточке различаются между приведёнными наборами метрик. Практическое качество и устойчивость к новым типам подмены по этим данным установить нельзя.

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

dinov2_Liveness_detection_v2.2.2

This model is a fine-tuned version of nguyenkhoa/dinov2_Liveness_detection_v2.2.1 on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.0219
Accuracy: 0.9934
F1: 0.9934
Recall: 0.9934
Precision: 0.9934

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
0.069	0.3062	64	0.0579	0.9788	0.9790	0.9788	0.9790
0.0482	0.6124	128	0.0518	0.9814	0.9815	0.9814	0.9815
0.0404	0.9187	192	0.0325	0.9882	0.9882	0.9882	0.9882
0.0325	1.2249	256	0.0407	0.9855	0.9855	0.9855	0.9855
0.0322	1.5311	320	0.0281	0.9901	0.9901	0.9901	0.9902
0.0283	1.8373	384	0.0347	0.9884	0.9884	0.9884	0.9885
0.0256	2.1435	448	0.0271	0.9907	0.9907	0.9907	0.9907
0.0207	2.4498	512	0.0359	0.9874	0.9874	0.9874	0.9874
0.0192	2.7560	576	0.0253	0.9917	0.9916	0.9917	0.9917
0.017	3.0622	640	0.0272	0.9908	0.9908	0.9908	0.9908
0.0134	3.3684	704	0.0255	0.9916	0.9916	0.9916	0.9915
0.0132	3.6746	768	0.0232	0.9925	0.9925	0.9925	0.9925
0.0114	3.9809	832	0.0260	0.9919	0.9919	0.9919	0.9918
0.0074	4.2871	896	0.0242	0.9927	0.9927	0.9927	0.9927
0.0079	4.5933	960	0.0219	0.9931	0.9931	0.9931	0.9932
0.0072	4.8995	1024	0.0219	0.9934	0.9934	0.9934	0.9934

Framework versions

Transformers 4.47.0
Pytorch 2.5.1+cu121
Datasets 3.2.0
Tokenizers 0.21.0

Evaluate results

APCER: 0.1804
BPCER: 0.0123
ACER: 0.0963
Accuracy: 0.8706
F1: 0.8982
Recall: 0.9877
Precision: 0.7046

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: 1f4b42c