모델 상태

✅ 이미 훈련 완료: genconvit_vae_inference.pth 가중치 파일 사용
✅ 추론 모드: 새로운 데이터로 예측만 수행
✅ 가중치 고정: 더 이상 학습할 필요 없음

sample_1.mp4 (입력 비디오)
↓
extract_frames() → 10개 프레임 추출
↓
face_rec() → MediaPipe로 각 프레임에서 얼굴 검출
↓
preprocess_frame() → 224x224 크기로 정규화
↓
GenConViT 모델 → 프레임별 로짓 예측
↓
결과 출력: 각 프레임의 FAKE/REAL 확률

2025/08/20

현재 dlib는 의존성 문제가 심해서 얼굴 검출 로직을 mediapipe으로 교체

py310 환경에서 실행할 수 있도록. "conda activate py310"

2025/08/27

영상 분석

python prediction.py --p sample_prediction_data/sample_1.mp4 --f 10

영상 분석 + GradCAM 시각화

python prediction.py --p sample_prediction_data/sample_1.mp4 --f 10 --gradcam

이미지 분석

python prediction.py --p sample_prediction_data/image.jpg

이미지 + GradCAM 시각화

python prediction.py --p sample_prediction_data/image.jpg --gradcam

폴더 전체 처리 (배치 처리)

python prediction.py --p sample_prediction_data --v --f 10

옵션 설명:

• --p file_path: 분석할 비디오/이미지 파일 경로 또는 폴더 경로
  • 파일 경로를 주면: 자동으로 단일 파일 분석 모드
  • 폴더 경로를 주면: 자동으로 배치 처리 모드 (폴더 내 모든 파일 분석)
• --f 10: 추출할 프레임 수 (비디오만, 기본값: 15)
• --gradcam: GradCAM 시각화 활성화 (단일 파일 분석 시에만 사용 가능)
• 지원 형식: .mp4, .avi, .mov, .jpg, .jpeg, .png

GradCAM 시각화 결과

• 비디오: 정확도 0.8 이상인 프레임에만 GradCAM 히트맵 생성
• 이미지: 모든 이미지에 GradCAM 히트맵 생성
• 저장 위치: result/gradcam_outputs/ 폴더
• 파일 형식:
  • 비디오: frame_XX_gradcam.jpg (XX = 프레임 번호)
  • 이미지: image_gradcam.jpg
• 시각화: 모델이 집중한 영역을 빨간색 히트맵으로 표시

2025/10/26

모델 정밀도 평가

전체 데이터셋 평가

# 기본 폴더 : sample_prediction_data
python prediction.py --evaluate

# 대상 폴더 데이터로 평가 (경로를 바로 지정)
python prediction.py --evaluate my_data_folder

옵션 설명:

• --evaluate: sample_prediction_data의 real/fake 이미지 100장씩으로 모델 정밀도 평가
• --e: ED 모델만 사용하여 평가
• --v: VAE 모델만 사용하여 평가
• --fp16: 반정밀도 사용

학습 가중치 성능 평가

# ED 모델의 특정 가중치로 평가
python prediction.py --evaluate sample_prediction_data_diffusion --e "genconvit_ed_Oct_28_2025_02_06_15"

# VAE 모델의 특정 가중치로 평가
python prediction.py --evaluate sample_prediction_data_diffusion --v "genconvit_vae_Oct_28_2025_02_08_15"

핵심 옵션:

• --evaluate [폴더 경로]: 평가 모드 활성화, 폴더 경로를 지정하면 해당 폴더를 평가 (경로 생략 시 sample_prediction_data 기본값 사용)
• --e [파일 경로]: ED 모델을 사용하며, 특정 가중치 파일명을 지정합니다. (경로 생략 시 기본 추론 가중치 사용)
• --v [파일 경로]: VAE 모델을 사용하며, 특정 가중치 파일명을 지정합니다. (경로 생략 시 기본 추론 가중치 사용)

2025/10/27

가중치의 학습 로그 확인하기

python plot_training_history.py -d weight --no-show # 전체 로그
python plot_training_history.py -d weight -m ed --no-show # ed 모델
python plot_training_history.py -d weight -m vae --no-show # vae 모델