import tensorflow as tf
import numpy as np
from PIL import Image
from huggingface_hub import hf_hub_download

# Descargar modelo
model_path = hf_hub_download(
    repo_id="juandaram/deepfake-detector",
    filename="model.tflite"
)

# Cargar modelo
interpreter = tf.lite.Interpreter(model_path=model_path)
interpreter.allocate_tensors()

# Preparar imagen
image = Image.open("tu_imagen.jpg").convert('RGB')
image = image.resize((128, 128))
img_array = np.array(image, dtype=np.float32) / 255.0
img_batch = np.expand_dims(img_array, axis=0)

# Predecir
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
interpreter.set_tensor(input_details[0]['index'], img_batch)
interpreter.invoke()
output = interpreter.get_tensor(output_details[0]['index'])

prediction = "REAL" if output[0][0] > 0.5 else "FAKE"
confidence = output[0][0] if output[0][0] > 0.5 else (1 - output[0][0])

print(f"Prediction: {prediction}")
print(f"Confidence: {confidence:.3f}")

Con SavedModel (Python)

python

import tensorflow as tf
from huggingface_hub import snapshot_download

# Descargar modelo completo
model_dir = snapshot_download(repo_id="juandaram/deepfake-detector")

# Cargar modelo
model = tf.saved_model.load(f"{model_dir}/saved_model")
infer = model.signatures['serving_default']

# Usar igual que arriba...

Métricas

Validation Accuracy: ~84%
Training Epochs: 5

Clases

0: FAKE (imagen generada/manipulada)
1: REAL (imagen auténtica)

Preprocesamiento

Las imágenes deben:

Convertirse a RGB
Redimensionarse a 128x128
Normalizarse dividiendo por 255.0 (rango [0, 1])

Limitaciones

El modelo puede tener sesgo hacia la clase FAKE
Funciona mejor con imágenes similares al dataset de entrenamiento
Requiere imágenes de buena calidad

Licencia

MIT

Contacto

Para preguntas o problemas, abre un issue en el repositorio.