🚀 开源深度伪造检测模型

开源深度伪造检测模型是一个基于视觉 - 语言编码器的模型，它在 siglip2-base-patch16-512 基础上进行微调，用于二分类图像分类任务。该模型使用 OpenDeepfake-Preview 数据集进行训练，能够检测图像是伪造的还是真实的。模型采用 SiglipForImageClassification 架构。

🚀 快速开始

安装依赖

pip install -q transformers torch pillow gradio hf_xet

推理代码

import gradio as gr
from transformers import AutoImageProcessor, SiglipForImageClassification
from PIL import Image
import torch

# Load model and processor
model_name = "prithivMLmods/open-deepfake-detection"  # Updated model name
model = SiglipForImageClassification.from_pretrained(model_name)
processor = AutoImageProcessor.from_pretrained(model_name)

# Updated label mapping
id2label = {
    "0": "Fake",
    "1": "Real"
}

def classify_image(image):
    image = Image.fromarray(image).convert("RGB")
    inputs = processor(images=image, return_tensors="pt")

    with torch.no_grad():
        outputs = model(**inputs)
        logits = outputs.logits
        probs = torch.nn.functional.softmax(logits, dim=1).squeeze().tolist()

    prediction = {
        id2label[str(i)]: round(probs[i], 3) for i in range(len(probs))
    }

    return prediction

# Gradio Interface
iface = gr.Interface(
    fn=classify_image,
    inputs=gr.Image(type="numpy"),
    outputs=gr.Label(num_top_classes=2, label="Deepfake Detection"),
    title="open-deepfake-detection",
    description="Upload an image to detect whether it is AI-generated (Fake) or a real photograph (Real), using the OpenDeepfake-Preview dataset."
)

if __name__ == "__main__":
    iface.launch()

演示推理

⚠️ 重要提示

以下是真实图片示例：

⚠️ 重要提示

以下是伪造图片示例：

✨ 主要特性

分类报告

Classification Report:
              precision    recall  f1-score   support

        Fake     0.9718    0.9155    0.9428     10000
        Real     0.9201    0.9734    0.9460      9999

    accuracy                         0.9444     19999
   macro avg     0.9459    0.9444    0.9444     19999
weighted avg     0.9459    0.9444    0.9444     19999

标签空间

模型将图像分为以下两类：

Class 0: 伪造
Class 1: 真实

预期用途

open-deepfake-detection 模型旨在用于以下场景：

• 深度伪造检测：识别由人工智能生成或经过篡改的图像。
• 内容审核：标记合成或伪造的视觉内容。
• 数据集整理：从混合数据集中移除合成样本。
• 视觉真实性验证：检查视觉媒体的完整性。
• 数字取证：支持图像来源验证和可追溯性。

相关论文

SigLIP 2: Multilingual Vision-Language Encoders with Improved Semantic Understanding, Localization, and Dense Features https://arxiv.org/pdf/2502.14786

注意事项

⚠️ 重要提示

此为实验性模型。

📄 许可证

本项目采用 Apache-2.0 许可证。

📦 模型信息