library_name: transformers tags:

• 计算机视觉
• 图像分类
• 视觉变换器
• 深度伪造检测
• 二分类
• pytorch框架 license: mit开源协议 metrics:
• 准确率: 99.20% base_model:
• facebook/deit-base-distilled-patch16-224 pipeline_tag: 图像分类

Virtus模型卡

Virtus是一个经过微调的视觉变换器(ViT)模型，专为二值图像分类任务设计，特别训练用于区分真实图像与深度伪造图像。该模型在包含19万张图像的平衡数据集上实现了99.2%的准确率。

模型详情

模型描述

Virtus基于facebook/deit-base-distilled-patch16-224架构，通过大量真实与伪造人脸图像数据集进行二分类任务微调。训练过程包含类别平衡处理、数据增强技术，并采用准确率和F1分数作为评估指标。

• 开发者: Agasta
• 资助方: 无
• 共享者: Agasta
• 模型类型: 图像分类视觉变换器(ViT)
• 支持语言: 不适用(视觉模型)
• 许可协议: MIT
• 基础模型: facebook/deit-base-distilled-patch16-224

模型来源

• 代码库: https://huggingface.co/agasta/virtus

用途

直接应用

本模型可用于预测输入图像属于真实或深度伪造类别，可部署于图像分析流水线，或集成至需要媒体真实性检测的应用系统。

下游应用

适用于构建更广泛的深度伪造检测系统、识别合成媒体的教育工具，或作为在线平台的预筛选系统。

非适用场景

• 视频或音频中的深度伪造检测
• 超出真伪二分类范畴的通用物体分类任务

偏差、风险与局限

虽然数据集经过平衡处理，仍可能存在面部特征、光照条件或人口统计学的潜在偏差。模型对非标准输入尺寸或严重遮挡的人脸鲁棒性不足。

使用建议

• 仅适用于与训练集相似的正面人脸图像
• 关键决策场景需配合人工复核
• 建议定期使用更新数据重新评估性能

快速开始

from transformers import AutoFeatureExtractor, AutoModelForImageClassification
from PIL import Image
import torch

model = AutoModelForImageClassification.from_pretrained("agasta/virtus")
extractor = AutoFeatureExtractor.from_pretrained("agasta/virtus")

image = Image.open("图片路径.jpg")
inputs = extractor(images=image, return_tensors="pt")
outputs = model(**inputs)
predicted_class = outputs.logits.argmax(-1).item()
print(model.config.id2label[predicted_class])

训练详情

训练数据

数据集包含190,335张自主采集的真实与伪造人脸图像，使用RandomOverSampler进行类别平衡。按60%训练集与40%测试集划分，保持类别分层。

训练流程

预处理

• 图像缩放至224x224分辨率
• 增强策略：随机旋转、锐度调整、归一化

超参数配置

• 训练轮次: 2
• 学习率: 1e-6
• 训练批大小: 32
• 评估批大小: 8
• 权重衰减: 0.02
• 优化器: AdamW(通过Trainer API)
• 混合精度: 未启用

评估

测试数据

采用相同数据集，按60:40分层划分进行评估。

评估指标

• 准确率
• 宏观F1分数
• 混淆矩阵
• 分类报告

评估结果

• 准确率: 99.20%
• 宏观F1分数: 0.9920

环境影响

• 硬件类型: NVIDIA Tesla V100(通过Kaggle Notebook GPU)
• 训练时长: 约2.3小时
• 云服务商: Kaggle
• 计算区域: 未知
• 碳排放: 可通过MLCO2计算器估算

技术规格

模型架构

采用蒸馏版视觉变换器(DeiT)架构，执行图像真伪二分类任务。

计算基础设施

• 硬件配置: 单卡NVIDIA Tesla V100
• 软件栈: PyTorch框架、Hugging Face Transformers库、Datasets库、Accelerate库

引用文献

BibTeX格式:

@misc{virtus2025,
  title={Virtus: 基于视觉变换器的深度伪造检测},
  author={Agasta},
  year={2025},
  howpublished={\url{https://huggingface.co/agasta/virtus}},
}

APA格式: Agasta. (2025). Virtus: 基于视觉变换器的深度伪造检测. Hugging Face. https://huggingface.co/agasta/virtus

联系信息

如有疑问或反馈，可通过GitHub联系，或在模型仓库提交issue，或发送邮件至rupam.golui@proton.me