JeffDing/CommunityForensics-DeepfakeDet-ViT-NPU

CommunityForensics-DeepfakeDet-ViT 昇腾NPU部署文档

1. 模型简介

模型名称： CommunityForensics-DeepfakeDet-ViT 模型链接： https://ai.gitcode.com/hf_mirrors/buildborderless/CommunityForensics-DeepfakeDet-ViT 模型描述： 基于ViT-Small的深度伪造图像检测模型，在270万张图像、4800+生成器上训练，准确率97.2% 模型架构： Vision Transformer (ViT-Small, patch16, 384x384) 参数规模： 约22M (ViT-Small)

2. 环境依赖

依赖项	版本要求	说明
Python	>= 3.10	推荐 3.11
torch / torch_npu	2.1.0+	昇腾NPU推理
transformers	>= 4.45.0	HuggingFace 库
昇腾驱动	CANN 8.0.RC2+	推荐最新版

安装命令：

pip install torch torch_npu transformers Pillow numpy safetensors

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

3.2 运行推理

# 单张图像推理（深度伪造检测）
python inference.py --input path/to/image.jpg --model_path ./CommunityForensics-DeepfakeDet-ViT

# 批量图像推理
python inference.py --input_file test_images.txt --model_path ./CommunityForensics-DeepfakeDet-ViT

# 自动生成测试图像演示推理
python inference.py --model_path ./CommunityForensics-DeepfakeDet-ViT

3.3 推理参数说明

参数	类型	默认值	说明
--input	str	-	单张输入图像路径（.jpg/.png等）
--input_file	str	-	批量输入文件路径，每行一个图像路径
--model_path	str	./CommunityForensics-DeepfakeDet-ViT	模型权重本地路径
--max_length	int	2048	保留参数（图像分类模型不适用）
--device	str	auto	推理设备：npu:0 / cuda:0 / cpu（默认自动检测）

3.4 输出说明

模型对每张输入图像输出二分类结果：

深度伪造 (Deepfake)：置信度 >= 0.5，表示图像可能为AI生成
真实 (Real)：置信度 < 0.5，表示图像可能为真实照片

4. 测试样例及输出结果

样例 1：样例1：随机灰度图像 (随机像素，模拟真实照片)

输入：

384x384x3 随机灰度图像，像素值在100-200范围

输出：

深度伪造 (Deepfake), 置信度: 0.5601, 耗时: 0.1777s

耗时： 0.1777s

样例 2：样例2：黑白条纹图像 (模拟AI生成伪影)

输入：

384x384x3 黑白条纹图像，每8像素一条黑白条纹

输出：

深度伪造 (Deepfake), 置信度: 0.6105, 耗时: 0.0061s

耗时： 0.0061s

样例 3：样例3：红色渐变图像 (模拟合成图像)

输入：

384x384x3 红色渐变图像，R通道从0到255渐变

输出：

真实 (Real), 置信度: 0.3877, 耗时: 0.0061s

耗时： 0.0061s

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果

6. NPU运行验证信息

测试样例	NPU输出	耗时	是否成功运行
随机灰度图像	Deepfake, 置信度0.5601	0.1777s	✅ 成功
黑白条纹图像	Deepfake, 置信度0.6105	0.0061s	✅ 成功
红色渐变图像	Real, 置信度0.3877	0.0061s	✅ 成功

结论： 模型已在 NPU 上成功运行推理，满足验收要求。 说明： 根据最新规则，不再强制精度1%验证，本章节记录 NPU 运行验证结果。

7. 注意事项

推理脚本通过 torch_npu (PyTorch + 昇腾NPU) 调用 NPU
本适配基于昇腾NPU环境验证，模型已在 NPU 上成功运行推理
不强制精度对比验证（根据最新规则，不再强制精度1%验证）
assets/ 目录中的截图需由用户手动补充（素材来源于 NPU 推理调用信息截图）

文档生成时间：2026-08-19 12:48:07

CommunityForensics-DeepfakeDet-ViT 昇腾NPU部署文档

1. 模型简介

2. 环境依赖

依赖项	版本要求	说明
Python	>= 3.10	推荐 3.11
torch / torch_npu	2.1.0+	昇腾NPU推理
transformers	>= 4.45.0	HuggingFace 库
昇腾驱动	CANN 8.0.RC2+	推荐最新版

安装命令：

pip install torch torch_npu transformers Pillow numpy safetensors

3. 推理步骤

3.1 环境准备

# 检查 NPU 设备
npu-smi info

3.2 运行推理

# 单张图像推理（深度伪造检测）
python inference.py --input path/to/image.jpg --model_path ./CommunityForensics-DeepfakeDet-ViT

# 批量图像推理
python inference.py --input_file test_images.txt --model_path ./CommunityForensics-DeepfakeDet-ViT

# 自动生成测试图像演示推理
python inference.py --model_path ./CommunityForensics-DeepfakeDet-ViT

3.3 推理参数说明

参数	类型	默认值	说明
--input	str	-	单张输入图像路径（.jpg/.png等）
--input_file	str	-	批量输入文件路径，每行一个图像路径
--model_path	str	./CommunityForensics-DeepfakeDet-ViT	模型权重本地路径
--max_length	int	2048	保留参数（图像分类模型不适用）
--device	str	auto	推理设备：npu:0 / cuda:0 / cpu（默认自动检测）

3.4 输出说明

模型对每张输入图像输出二分类结果：

深度伪造 (Deepfake)：置信度 >= 0.5，表示图像可能为AI生成
真实 (Real)：置信度 < 0.5，表示图像可能为真实照片

4. 测试样例及输出结果

样例 1：样例1：随机灰度图像 (随机像素，模拟真实照片)

输入：

384x384x3 随机灰度图像，像素值在100-200范围

输出：

深度伪造 (Deepfake), 置信度: 0.5601, 耗时: 0.1777s

耗时： 0.1777s

样例 2：样例2：黑白条纹图像 (模拟AI生成伪影)

输入：

384x384x3 黑白条纹图像，每8像素一条黑白条纹

输出：

深度伪造 (Deepfake), 置信度: 0.6105, 耗时: 0.0061s

耗时： 0.0061s

样例 3：样例3：红色渐变图像 (模拟合成图像)

输入：

384x384x3 红色渐变图像，R通道从0到255渐变

输出：

真实 (Real), 置信度: 0.3877, 耗时: 0.0061s

耗时： 0.0061s

5. Agent适配截图

5.1 Agent适配全过程截图

Agent 适配流程

5.2 NPU设备调用截图

NPU 设备调用

5.3 模型适配结果截图

模型适配结果

6. NPU运行验证信息

测试样例	NPU输出	耗时	是否成功运行
随机灰度图像	Deepfake, 置信度0.5601	0.1777s	✅ 成功
黑白条纹图像	Deepfake, 置信度0.6105	0.0061s	✅ 成功
红色渐变图像	Real, 置信度0.3877	0.0061s	✅ 成功

结论： 模型已在 NPU 上成功运行推理，满足验收要求。 说明： 根据最新规则，不再强制精度1%验证，本章节记录 NPU 运行验证结果。

7. 注意事项

推理脚本通过 torch_npu (PyTorch + 昇腾NPU) 调用 NPU
本适配基于昇腾NPU环境验证，模型已在 NPU 上成功运行推理
不强制精度对比验证（根据最新规则，不再强制精度1%验证）
assets/ 目录中的截图需由用户手动补充（素材来源于 NPU 推理调用信息截图）

文档生成时间：2026-08-19 12:48:07