Paling banyak satu email per minggu. Berhenti kapan saja dengan satu klik.
Transkrip
Narasi lengkap video ini. Kalimat yang sedang diucapkan disorot saat video diputar; klik kalimat untuk melompat ke sana.
Tampilkan transkrip
Pembuka
Inilah hasil akhirnya, Vision Transformer Pre-Trinet yang kita fine-tuning untuk membedakan wajah asli dan wajah buatan Style Gen, dengan akurasi validasi 92% hanya dalam 8 epoch di CPU. Ada satu trik kecil yang menaikkan akurasinya dari 86 menjadi 92%. Ayo kita mulai. Selamat datang di episode keempat seri deteksi deepfake berbasis Vision Transformer. Di episode lalu kita menulis E6 IT dari 0. Melatih E6 IT dari 0 butuh jutaan citra, jadi sekarang kita memakai fit ini dari library team yang sudah dilatih dengan ImageNet 21.000 kelas, lalu melakukan fine-tuning untuk tugas baru, membedakan wajah asli dan deepfake.
Langkah 1: Dataset tanpa resize
Buat file dataset underscore wajah.py Ada satu keputusan penting di sini. Kita tidak memperkecil citra dan tidak memakai random resize crop, cukup flip horizontal. Alasannya kembali ke episode 1. Jejak gain ada di frekuensi tinggi, dan setiap resize menghaluskan jejak itu. Dalam percobaan, memperkecil ke 128 piksel hanya memberi akurasi sekitar 86%, sedangkan resolusi asli 192 memberi 92%. Normalisasinya rata-rata dan standar deviasi 0,5, sesuai E6 IT pretrinet ini. Citra dimuat sekali ke memori. Sekarang buat file latih underscore E6 IT.py.
Langkah 2: Fungsi pelatihan AdamW & label smoothing
Fungsi akurasi menghitung ketepatan pada sebuah loader. Fungsi latih memakai optimizer Adamwe dengan Wade Decai, scheduler cosine annealing, dan cross entropy loss dengan label smoothing 0,1, supaya model tidak terlalu yakin dan lebih mudah menggeneralisasi. Model dengan akurasi validasi terbaik disimpan. Fungsi ini juga dipakai untuk CNN di episode berikutnya. Fungsi buat E6 IT memuat Fitini Pack 16 dari tim dengan bobot pretrinet,
Langkah 3: ViT-Tiny pretrained dari timm
kepala klasifikasi 2 kelas, dan Imsai 192. Tim otomatis menyesuaikan posisional embedding dari 224 ke 192 piksel, sehingga ada 12x12, 144 pack.
Langkah 4: Hasil fine-tuning
Jalankan. Fitini punya 5,5 juta parameter, 12 blok, dan 3 kepala attention. Setiap epoch sekitar 17 detik di CPU. Akurasi validasi 79% di epoch pertama, melonjak ke 92,2% di epoch ketiga, lalu stabil di kisaran 90. Grafik kiri loss yang turun dan mendatar mendekati batas bawah label smoothing. Grafik kanan akurasi validasi. Model terbaik tersimpan sebagai NMIT terbaik.pt.
, Selesai!
Selesai. Kita sudah melakukan fine-tuning NMIT pretrinet untuk deteksi deepfake, memahami kenapa resizim rusak jejak gen, dan memakai adamwe, cosine annealing, serta label smoothing. Di episode berikutnya kita membandingkannya dengan CNN EfficientNet, dan menguji ketahanan kedua model saat citra di kompresi JPEG seperti di media sosial. Sedang menyusun skripsi, tesis, atau riset AI di bidang deteksi deepfake dan forensik citra? Cerdas inovasi digital membantu implementasi deeplearning, dari deteksi wajah, vision transformer, perbandingan dengan CNN, uji ketahanan kompresi, sampai peta attention dan aplikasi web, serta membuka kursus deeplearning dengan PyTor. Ingin menguasai seluruh seri ini? Dari detaset wajah sampai aplikasi pemeriksa deepfake? Semua 6 episode, lengkap dengan PDF panduan langkah demi langkah dan source code, tersedia untuk pelanggan tutorial premium. Berlangganan mulai Rp69.000 per bulan, hemat 28% dengan paket 12 bulan, atau sekali bayar Rp999.000 untuk akses seumur hidup. Mau satu kelas saja? Beli kelas satuan dengan akses selamanya. Langganan sekarang di halaman premium cerdasinovasidigital.com. Hubungi WhatsApp kami, atau kunjungi cerdasinovasidigital.com. Terima kasih telah menonton, sampai jumpa di episode berikutnya.
Tanya materi kelas
Ketik pertanyaan atau kata kunci; kami carikan bagian episode ini yang menjelaskannya dan lompatkan videonya ke sana.
Catatan saya
Catatan disimpan bersama menit video saat ini dan hanya terlihat oleh Anda.
Tanya jawab
Bingung di salah satu langkah? Tanyakan di sini; pengajar dan peserta lain bisa menjawab.
Belum ada pertanyaan.
Pengajar
Tim Cerdas Inovasi Digital
Pengembang software, engineer BIM & 3D, dan praktisi AI
53 kelas video1.278 episode
Sehari-hari kami mengerjakan software, model BIM, game, dan otomasi AI untuk klien, lalu menjadikan pengalaman praktik itu kelas langkah demi langkah: setiap langkah diperlihatkan di layar dan dilengkapi panduan PDF.
