诈骗克星——视频换脸检测模块开发（二）

2301_80634538

346人浏览 · 2026-04-05 15:56:56

2301_80634538 · 2026-04-05 15:56:56 发布

本周概述

本周是项目开发的第二周，主要完成了从数据集下载到 API 实现的完整开发流程。成功将数据集从 Celeb-DF-v2 切换到 WildDeepfake，并完成了所有相关代码的适配工作。训练脚本和 RESTful API 已经准备就绪，下周即可开始第一轮模型训练。

本周完成工作

1. WildDeepfake 数据集下载与适配

1.1 数据集选择与下载

经过团队讨论，决定使用 WildDeepfake 数据集替代 Celeb-DF-v2，主要原因：Celeb-DF-v2数据集来源境外科学团队，申请周期长，可能会拖延项目进度，另外wilddeepfake来源复旦大学科研团队，获取渠道遍历，并且利于训练。

数据集信息：

总人脸序列：7,314 个
来源视频：707 个 DeepFake 视频
数据集划分：train（训练集）、valid（验证集）、test（测试集）

如图是在https://www.kaggle.com/网站上下载的视频帧数据集
在这里插入图片描述

1.2 数据集目录结构

data/
├── train/
│   ├── real/              # 真实人脸帧
│   │   ├── 0/            # 人脸序列 0
│   │   │   ├── 0.jpg     # 第 0 帧
│   │   │   ├── 1.jpg     # 第 1 帧
│   │   │   └── ...
│   │   ├── 1/            # 人脸序列 1
│   │   └── ...
│   └── fake/              # 伪造人脸帧
│       ├── 0/
│       └── ...
├── valid/
│   ├── real/
│   └── fake/
└── test/
    ├── real/
    └── fake/

1.3 数据加载器适配

主要修改 utils/data_loader.py 中的load方法以适配 WildDeepfake 的数据结构：

    def _load_dataset(self):
        """加载数据集路径和标签"""
        split_name = self.split if self.split != 'val' else 'valid'
        split_dir = os.path.join(self.data_dir, split_name)
        
        for label in ['real', 'fake']:
            label_dir = os.path.join(split_dir, label)
            if not os.path.exists(label_dir):
                continue
            
            for sequence_dir in Path(label_dir).iterdir():
                if not sequence_dir.is_dir():
                    continue
                
                for image_file in sequence_dir.glob("*.jpg"):
                    self.image_paths.append(str(image_file))
                    self.labels.append(1 if label == 'fake' else 0)

2. 训练脚本完善与配置优化

2.1 训练器核心实现

完整的训练器类，包含训练、验证、模型保存等功能：

class Trainer:
    """训练器主要实现方法"""
    def __init__(self, model, train_loader, val_loader, criterion, 
                 optimizer, scheduler, device, save_dir)
    def train_epoch(self):
        """训练一个 epoch"""
    def validate_epoch(self):
        """验证一个 epoch"""
    def train(self, num_epochs=50):
        """训练模型"""

2.2 训练配置参数

通过命令行参数灵活配置训练过程，设置合理的参数配置：

def main():
    # 设置设备
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print(f'使用设备：{device}')+
    # 获取数据加载器（适配 WildDeepfake）
    train_loader, val_loader, test_loader = get_dataloaders(
        args.data_dir, 
        batch_size=args.batch_size, 
        num_workers=args.num_workers
    )
    
    # 创建模型
    model = xception(num_classes=2, pretrained=args.pretrained)
    
    # 定义损失函数和优化器
    criterion = nn.CrossEntropyLoss()
    optimizer = optim.Adam(model.parameters(), lr=args.lr, weight_decay=1e-5)
    scheduler = lr_scheduler.StepLR(optimizer, step_size=10, gamma=0.1)
    
    # 创建训练器
    trainer = Trainer(
        model=model,
        train_loader=train_loader,
        val_loader=val_loader,
        criterion=criterion,
        optimizer=optimizer,
        scheduler=scheduler,
        device=device,
        save_dir=args.save_dir
    )
    
    # 开始训练
    best_acc = trainer.train(num_epochs=args.num_epochs)

3. RESTful API 设计与实现

3.1 API 架构设计

采用 RESTful 风格设计，提供统一的接口规范：

┌─────────────────────────────────────────┐
│          客户端（后端/大模型）            │
└───────────────────┬─────────────────────┘
                    │ HTTP/JSON
                    ▼
┌─────────────────────────────────────────┐
│           Flask API 服务                  │
│  - /api/health          (健康检查)       │
│  - /api/detect/image    (图片检测)       │
│  - /api/detect/video    (视频检测)       │
│  - /api/detect/text     (文本检测)       │
└───────────────────┬─────────────────────┘
                    │
                    ▼
┌─────────────────────────────────────────┐
│        XceptionNet 检测模型              │
│  - 模型推理                              │
│  - 结果聚合                              │
└─────────────────────────────────────────┘

3.2 健康检查接口

@app.route('/api/health', methods=['GET'])
def health_check():
    """健康检查"""
    return jsonify({
        'status': 'healthy',
        'device': str(DEVICE),
        'model_loaded': True
    })

3.3 图片检测接口

核心功能：接收图片，返回伪造概率和人脸位置。

@app.route('/api/detect/image', methods=['POST'])
def detect_image():
    检测图片是否换脸

本周遇到的难点以及解决方案

难点 1：WildDeepfake 数据结构适配

问题：WildDeepfake 使用嵌套的文件夹结构（train/real/序列号/图片.jpg），与 Celeb-DF-v2 不同。

主要的解决方案：

# 修改数据加载逻辑
for sequence_dir in Path(label_dir).iterdir():
    if not sequence_dir.is_dir():
        continue
    
    for image_file in sequence_dir.glob("*.jpg"):
        self.image_paths.append(str(image_file))
        self.labels.append(1 if label == 'fake' else 0)

难点 2：API 接口的错误处理

问题：需要处理文件不存在、人脸检测失败等各种异常情况。

解决方案：

# 错误处理
try:
    # 业务逻辑
    faces, locations = detect_faces_in_image(temp_path)
    
    if len(faces) == 0:
        return jsonify({
            'success': False,
            'error': '未检测到人脸'
        }), 400
    
    # ...
finally:
    # 清理临时文件
    if os.path.exists(temp_path):
        os.remove(temp_path)