vit_Liveness_detection_v1.0开源人脸活体检测模型 - 评估集表现优异，免费可用！

首页

Vit Liveness Detection V1.0

由 nguyenkhoa 开发

本模型是基于Transformer库的人脸活体检测模型，在评估集上取得了优异的性能。

人脸相关

Transformers

开源协议:Apache-2.0 #高精度活体检测 #ViT微调模型 #金融级安全验证

下载量 176

发布时间 : 1/8/2025

模型简介

该模型是对google/vit-base-patch16-224进行微调的人脸活体检测模型，主要用于区分真实人脸和伪造人脸。

模型特点

高准确率

在评估集上取得了0.9988的准确率、F1值、召回率和精确率

基于ViT架构

使用Vision Transformer架构，具有强大的特征提取能力

高效训练

采用自动混合精度训练，训练效率高

模型能力

人脸活体检测

图像分类

伪造人脸识别

使用案例

身份验证

金融身份验证

用于银行、支付等场景的身份验证系统

有效防止照片、视频等伪造攻击

门禁系统

用于智能门禁的人脸活体检测

提高门禁系统的安全性

🚀 vit_Liveness_detection_v1.0

本模型是基于Transformer库的人脸活体检测模型，它在未知数据集上对 google/vit-base-patch16-224 进行了微调，在评估集上取得了优异的性能。

🚀 快速开始

本模型是 google/vit-base-patch16-224 在未知数据集上的微调版本。它在评估集上取得了以下结果：

损失值：0.0047
准确率：0.9988
F1值：0.9988
召回率：0.9988
精确率：0.9988

📚 详细文档

模型描述

更多信息待补充。

预期用途与限制

更多信息待补充。

训练和评估数据

更多信息待补充。

🔧 技术细节

训练过程

训练超参数

训练过程中使用了以下超参数：

学习率：5e-05
训练批次大小：128
评估批次大小：8
随机种子：42
优化器：Adam（β1=0.9，β2=0.999，ε=1e-08）
学习率调度器类型：线性
训练轮数：5
混合精度训练：原生自动混合精度（Native AMP）

训练结果

训练损失	轮数	步数	验证损失	准确率	F1值	召回率	精确率
0.0254	0.2048	128	0.0148	0.9946	0.9946	0.9946	0.9946
0.0256	0.4096	256	0.0180	0.9945	0.9944	0.9945	0.9945
0.0113	0.6144	384	0.0133	0.9955	0.9955	0.9955	0.9955
0.0116	0.8192	512	0.0070	0.9976	0.9976	0.9976	0.9976
0.0084	1.024	640	0.0072	0.9976	0.9976	0.9976	0.9976
0.0048	1.2288	768	0.0084	0.9976	0.9976	0.9976	0.9976
0.0041	1.4336	896	0.0078	0.9975	0.9975	0.9975	0.9975
0.0015	1.6384	1024	0.0049	0.9983	0.9983	0.9983	0.9983
0.0047	1.8432	1152	0.0068	0.9977	0.9977	0.9977	0.9977
0.0012	2.048	1280	0.0075	0.9975	0.9975	0.9975	0.9975
0.0025	2.2528	1408	0.0095	0.9971	0.9971	0.9971	0.9971
0.0013	2.4576	1536	0.0084	0.9976	0.9976	0.9976	0.9976
0.0026	2.6624	1664	0.0056	0.9985	0.9985	0.9985	0.9985
0.0001	2.8672	1792	0.0096	0.9976	0.9976	0.9976	0.9976
0.0001	3.072	1920	0.0049	0.9987	0.9987	0.9987	0.9987
0.0009	3.2768	2048	0.0085	0.9978	0.9978	0.9978	0.9978
0.0003	3.4816	2176	0.0078	0.9980	0.9980	0.9980	0.9980
0.0002	3.6864	2304	0.0057	0.9985	0.9985	0.9985	0.9985
0.0	3.8912	2432	0.0043	0.9988	0.9988	0.9988	0.9988
0.0	4.096	2560	0.0046	0.9987	0.9987	0.9987	0.9987
0.0	4.3008	2688	0.0045	0.9988	0.9988	0.9988	0.9988
0.0	4.5056	2816	0.0046	0.9988	0.9988	0.9988	0.9988
0.0	4.7104	2944	0.0047	0.9988	0.9988	0.9988	0.9988
0.0	4.9152	3072	0.0047	0.9988	0.9988	0.9988	0.9988