库名称: transformers 评估指标:

• 准确率 标签:
• 真实感
• 解剖结构异常
• 图像分类器
• 微调VIT模型

解剖结构与真实感分类器模型卡

这是一个经过微调的Vision Transformer模型，用于对AI生成图片的解剖结构异常和真实感进行分类。

该模型目前是我YouTube系列的支持模型。欢迎在此基础上进行构建。

模型详情

检测真实感AI生成图像中的解剖结构异常 - 并非所有图像生成模型都能生成解剖结构良好的图像。有些可能会生成典型的"畸形手部"，比如手指数量超过5根。本模型旨在检测AI生成图像中的此类解剖问题。

区分真实照片与AI真实感 - AI生成图像在追求真实感时往往存在皮肤质感和生成风格的问题。与社交媒体上的普通照片相比，高清放大的AI生成图像可通过闪亮皮肤或过度明亮的光线等特征轻易识别。以下是几个示例：

模型描述

该模型基于google/vit-base-patch16-224-in21k Vision Transformer (ViT)进行微调。

用途

• 检测图像是真实照片还是高度逼真的AI生成图像
• 检测AI生成图像中的解剖结构异常以触发重新生成

非适用范围

• 种族歧视
• 任何构成犯罪行为的非法活动

偏差、风险与限制

初始模型训练数据来自Stable Diffusion v1.5使用Beautiful Realistic Asians v6检查点生成的图像。

该模型数据集仅包含134张图像，其中仅6张属于"不真实且解剖异常"类别。（数据集详情将在后续文档更新中补充）

建议

建议扩展数据集并继续训练更多样化的人物特征，以提升对不符合训练图像特征的图片识别性能。

快速开始

微调

请参考支持GitHub仓库中的初始微调脚本：https://github.com/angusleung100/barc-finetuning-gh

使用模型进行分类

请参考Hugging Face图像分类文档示例：https://huggingface.co/docs/transformers/en/tasks/image_classification#inference

训练详情

训练与测试数据

数据集图像标注标准

解剖结构正常/异常

• 人物任何身体部位变形或存在多余肢体
• 背景不过度虚化（专业后期软件可轻松修改）

真实感判定

真实感判定标准更为复杂，因现代滤镜使用普遍，很难确立统一标准。本模型采用以下标准：

• 第一眼反应 - 是否需要仔细观察产生怀疑，还是立即识别不真实
• 光线 - 业余风格图像较易分类，专业级图像可能因重度编辑而类似AI生成，但不自然光线仍是判断依据
• 皮肤与头发 - 皮肤和头发过度反光（如模型卡开头示例），或高清图像细节不足/过度
• 摄影风格 - 可能导致误判，但若焦点异常或过度磨皮，可能判定为不真实

总体基于"直觉感受"进行分类。模型目标正是复现这种对图像的直觉判断。

数据集兼容图像

由于使用默认数据整理器且图像主要来自SD1.5，不确定不同模型的图像尺寸是否会影响训练（尽管测试流程对后续3张图像无异常）。

确认兼容的模型：

• Stable Diffusion 1.5
• OpenDalle v1.1
• Flux 1
• Copilot的Dall-E 3

数据集统计

各标签图像数量
=======================
真实但解剖异常: 6 (4.48%)
真实且解剖正常: 15 (11.19%)
不真实且解剖异常: 81 (60.45%)
不真实但解剖正常: 32 (23.88%)

总图像数: 134

评估

结果

***** 训练指标 *****
  训练轮次                 =        3.0
  总浮点运算量             = 20135801GF
  训练损失                 =     0.8453
  训练耗时                = 0:00:42.83
  每秒训练样本数          =      6.514
  每秒训练步数            =      0.841

***** 评估指标 *****
  评估轮次                =        3.0
  评估准确率              =     0.6341
  评估F1值                =      0.513
  评估损失                =     0.8219
  评估精确率              =      0.464
  评估召回率              =     0.6341
  评估耗时                = 0:00:06.95
  每秒评估样本数          =      5.893
  每秒评估步数            =      0.862

总结

初始数据集和微调获得64.41%准确率和51.3% F1值，对于小型业余数据集属预期范围。

未来计划通过以下方式提升模型性能：

• 增加人物姿态多样性
• 丰富服装风格和光线条件
• 多样化摄影风格
• 扩展不同模型的生成图像（当前主要基于SD1.5 BRAV6和BRAV7检查点）

模型检验

可在初始微调笔记本查看推理示例。

使用ctrl+f搜索Test Model With Custom Inputs可快速定位示例。

联系方式

如有疑问可通过以下方式联系：

• Twitter
• Github