许可协议：apache-2.0 评估指标：

• 准确率 任务类型：图像分类 标签：
• 艺术 库名称：transformers

AI与人类图像分类模型

该模型基于6万张AI生成图像和6万张人类图像进行微调训练，在检测Midjourney v6.1、Flux 1.1 Pro、Stable Diffusion 3.5、GPT-4o等前沿AI模型生成的高质量图像方面表现卓越。

详细训练代码见：blog/ai/fine-tuning-siglip2

评估指标

🏋️‍♂️ 训练指标

• 训练轮次: 5.0
• 总浮点运算量: 51,652,280,821 GF
• 训练损失: 0.0799
• 训练耗时: 2小时39分49.46秒
• 训练样本/秒: 69.053
• 训练步数/秒: 4.316

📊 测试集评估指标（微调后模型）

• 评估轮次: 5.0
• 评估准确率: 0.9923
• 评估损失: 0.0551
• 评估耗时: 2分35.78秒
• 评估样本/秒: 212.533
• 评估步数/秒: 6.644

🔦 测试集预测指标：

{
  "测试损失": 0.05508904904127121,
  "测试准确率": 0.9923283699296264,
  "测试耗时": 167.1844,
  "测试样本/秒": 198.039,
  "测试步数/秒": 6.191
}

• 最终测试准确率：0.9923
• 最终测试F1分数（宏观）：0.9923
• 最终测试F1分数（加权）：0.9923

使用方式

pip install -q transformers torch Pillow accelerate

import torch
from PIL import Image as PILImage
from transformers import AutoImageProcessor, SiglipForImageClassification

模型标识 = r"Ateeqq/ai-vs-human-image-detector"

# 设备选择：优先使用GPU
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
print(f"使用设备: {device}")

# 加载模型和处理器
try:
    print(f"加载处理器: {模型标识}")
    processor = AutoImageProcessor.from_pretrained(模型标识)

    print(f"加载模型: {模型标识}")
    model = SiglipForImageClassification.from_pretrained(模型标识)
    model.to(device)
    model.eval()
    print("模型加载成功")

except Exception as e:
    print(f"加载失败: {e}")
    exit()

# 图像预处理
图片路径 = r"/content/images.jpg" 
try:
    print(f"读取图片: {图片路径}")
    image = PILImage.open(图片路径).convert("RGB")
except FileNotFoundError:
    print(f"错误: 图片文件不存在 {图片路径}")
    exit()
except Exception as e:
    print(f"读取错误: {e}")
    exit()

print("图像预处理中...")
inputs = processor(images=image, return_tensors="pt").to(device)

# 推理预测
print("运行推理...")
with torch.no_grad(): # 禁用梯度计算
    outputs = model(**inputs)
    logits = outputs.logits

# 结果解析
预测类别索引 = logits.argmax(-1).item()
预测标签 = model.config.id2label[预测类别索引]

# 可选：通过softmax获取概率
probabilities = torch.softmax(logits, dim=-1)
预测置信度 = probabilities[0, 预测类别索引].item()

print("-" * 30)
print(f"图片路径: {图片路径}")
print(f"预测结果: {预测标签}")
print(f"置信度: {预测置信度:.4f}")
print("-" * 30)

# 打印所有类别分数
print("各类别得分:")
for i, label in model.config.id2label.items():
    print(f"  - {label}: {probabilities[0, i].item():.4f}")

输出示例

使用设备: cpu
模型加载成功
读取图片: /content/images.jpg
图像预处理中...
运行推理...
------------------------------
图片路径: /content/images.jpg
预测结果: ai
置信度: 0.9996
------------------------------
各类别得分:
  - ai: 0.9996
  - hum: 0.0004