language: zh
tags:

• 图像分类
• AI检测
• ViT
  license: mit

AI图像检测器

模型描述

该模型用于检测图像是真实拍摄还是由AI生成，采用Vision Transformer（ViT）架构提供精准分类。

使用方法

from transformers import ViTImageProcessor, ViTForImageClassification  
from PIL import Image  
import torch  

# 加载模型与处理器  
processor = ViTImageProcessor.from_pretrained("C:/Users/SUPREME TECH/Desktop/SAM3/ai-image-detector")  
model = ViTForImageClassification.from_pretrained("C:/Users/SUPREME TECH/Desktop/SAM3/ai-image-detector")  

def detect_image(image_path):  
    # 打开并预处理图像  
    image = Image.open(image_path)  
    if image.mode != 'RGB':  
        image = image.convert('RGB')  

    # 图像处理  
    inputs = processor(images=image, return_tensors="pt")  

    # 获取预测结果  
    with torch.no_grad():  
        outputs = model(**inputs)  
        predictions = outputs.logits.softmax(dim=-1)  

    # 解析结果  
    scores = predictions[0].tolist()  
    results = [  
        {"label": "真实图像", "score": scores[0]},  
        {"label": "AI生成", "score": scores[1]}  
    ]  

    # 按置信度排序  
    results.sort(key=lambda x: x["score"], reverse=True)  

    return {  
        "prediction": results[0]["label"],  
        "confidence": f"{results[0]['score']*100:.2f}%",  
        "detailed_scores": [  
            f"{r['label']}: {r['score']*100:.2f}%"   
            for r in results  
        ]  
    }  

# 测试代码  
if __name__ == "__main__":  
    # 可替换为您的图片路径  
    image_path = "path/to/your/image.jpg"  

    try:  
        result = detect_image(image_path)  
        print("\n图像分析结果:")  
        print(f"分类结果: {result['prediction']}")  
        print(f"置信度: {result['confidence']}")  
        print("\n详细分数:")  
        for score in result['detailed_scores']:  
            print(f"- {score}")  

    except Exception as e:  
        print(f"发生错误: {str(e)}")  

分类类别

模型将图像分为两类：

• 真实图像 (0): 非AI生成的真实拍摄图像
• AI生成 (1): 由人工智能生成的图像

技术细节

• 模型架构: Vision Transformer (ViT)
• 输入格式: RGB图像
• 输出结果: 二分类置信度分数
• 最大图像尺寸: 224x224（自动调整）

依赖要求

• transformers>=4.30.0
• torch>=2.0.0
• Pillow>=9.0.0

局限性

• 对清晰高质量图像效果最佳
• 对重度编辑的照片可能准确率下降
• 适用于通用图像检测场景

网页集成示例

async function detectImage(imageFile) {  
  const formData = new FormData();  
  formData.append('image', imageFile);  

  const response = await fetch('您的API端点', {  
    method: 'POST',  
    body: formData  
  });  

  return await response.json();  
}  

开发者信息

• 作者: yaya36095
• 许可证: MIT
• 模型仓库: https://huggingface.co/yaya36095/ai-image-detector