Komputila Vido: Python Vizaĝo Interŝanĝo & Rapida Deepfake en Colab

Aĉetu nun

Prezo: $109.99

Saluton kaj bonvenon al mia nova kurso 'Python Face Swap & Rapida Deepfake uzante Google Colab’

Vi scias, ekzistas malnova frazo kiu diras 'vidi estas kredi'. Sed en la mondo de 'Deepfake’ tio, kion ni vidas, ne ĉiam estas vera. Ni difinu profundan falsaĵon helpe de ekzempla video. Jen ĝi.

Mi uzis nur po unu stampograndaj fotoj de ĉi tiuj homoj por krei ĉi tiujn filmetojn. Jes, vi bone aŭdis ĝin. Kun nur unu vizaĝa bildo kaj malmultaj minutoj da tempo kun normala komputilo, vi povas krei deepfake de iu ajn. Vi eĉ igas mortintojn paroli aŭ eĉ kanti por vi.

Jes! Estu preta esti mirigita. Antaŭ ol ni daŭrigu plu, mi klarigu la liston de enhavoj kiuj estas inkluzivitaj en ĉi tiu kurso. Ĉi tiu kurso estas dividita ĝuste en du duonojn.

En la unua duono, ni kreos bazan python-bazitan vizaĝ-interŝanĝan aplikaĵon. Antaŭ ol ni daŭrigu, ni havos enkondukon al la profunda falsa tekniko, ĝiaj aplikoj, avantaĝoj kaj malavantaĝoj. Tiam ni devas prepari nian komputilon kun ĉiuj dependecoj instalitaj. Ni instalos Anaconda, la platformo kaj IDE por nia python-programado. Poste estas malmultaj laŭvolaj sesioj por tiuj, kiuj volas lerni la bazaĵojn de python programlingvobazoj..

Poste ni instalos la ceterajn dependecojn necesajn por konstrui nian kutiman python-interŝanĝan aplikaĵon. Post tio ni skribos la python-kodon linion post linio por kompletigi la tutan programon per pli ol 300 linioj. Alternative vi ankaŭ povas elŝuti la kompletan kodon de la ligilo de google drive provizita en la lasta sesio de ĉi tiu kurso. Komence ni faros la vizaĝŝanĝon uzante du statikajn bildojn. Unu kiel la fontbildo kaj alia kiel la celbildo. Poste ni provos ĝin por realtempa video de la retkamerao de nia komputilo. Kaj tiam ni modifos ĝin por ke ĝi funkciu kun antaŭkonservita video konservita en nia komputilo.

El la ekzemploj, vi povas vidi, ke ĉi tio estis nur baza programo de interŝanĝo de vizaĝoj kaj tute ne estas perfekta. Ni faris ĝin nur por lerni kiel aferoj funkcias malantaŭ la scenoj.

Poste ni procedos kun efektivigo de deepfake surbaze de artikolo nomita "Unua Orda Movada Modelo por Bilda Animacio" Submetita al Universitato Cornell de Aliaksandr Siarohin., Stéphane Lathuilière, Sergej Tuljakov, Elisa Ricci kaj Nicu Sebe

Ekde trejnado de deepfalso implikas multekostajn GPUojn, ni havas alternan planon uzi la senpagan GPU de google Colab. Ni preparos nian guglan diskon kreante dosierujojn kaj alŝutante la specimenan veturfilmeton, surbaze de kiu la celbildo devas esti vigla kaj ankaŭ la celbildoj aŭ fontbildoj.

Ankaŭ ni elŝutos kopion de la demo google colab kajero kaj konektos kun google drive. Tiam ni klonos la deponejon de la unua orda movada modelo de google drive.

Poste ni ankaŭ procedos kun la klonado de la deponejo de vizaĝ-vicigo. Ni instalos kaj agordos ĝin en nia google colab. Tiam ni movos la dosierojn en respondajn dosierujojn kaj komencos per tondado de la veturfilmeto uzante enkonstruitan python-programon..

Post tio ni elŝutos la frostigitan infer-grafikon de la jam trejnita modelo al nia gugla stirado. Kaj nun estas ĉio preta daŭrigi kun la animacio de la fontbildoj bazitaj sur la veturfilmeto. Fojo finita ni elŝutos la viglan videon. Ni ankaŭ faros la samon por kelkaj el la aliaj fontbildoj ankaŭ.

La vigla video ne havos aŭdion. Do ni devas miksi la sonojn al ĝi uzante ajnan senpagan aŭ malfermfontan videoredaktan ilon disponeblan interrete. Ni faros tion en nia venonta sesio kaj finfine ni havas ĉiujn profundajn viglajn filmetojn kun aŭdio inkluzivita.

Kiel la fina sesio, ni ankaŭ diskutos kiel ni povas ŝpari la limigitan liberan GPU-tempon ofertitan de Guglo kaj la solvon se la GPU-tempo estas superita..

Nur alian vorton antaŭ ol mi konkludos. Bonvolu uzi la enhavojn kaj teknikojn menciitajn en ĉi tiu lernilo tre respondece. Ĝi estas destinita nur por lernado kaj esplorcelo. Mi kiel instruisto aŭ la platformo en kiu mi gastigas ĉi tiun kurson ne respondecos pri ajna kontraŭleĝa aŭ nerespondeca uzo de ĉi tiu tekniko..

Tio temas pri la temoj kiuj nuntempe estas inkluzivitaj en ĉi tiu rapida kurso. La kodo, bildoj kaj pezoj uzataj en ĉi tiu kurso estis alŝutitaj kaj dividitaj en dosierujo. Mi inkludos la ligilon por elŝuti ilin en la lasta sesio aŭ la rimeda sekcio de ĉi tiu kurso. Vi rajtas uzi la kodon en viaj projektoj sen demandoj.

Ankaŭ post kompletigi ĉi tiun kurson, vi ricevos atestilon pri kompletigo de kurso, kiu aldonos valoron al via biletujo.

Do tio estas ĉio por nun, ĝis baldaŭ en la klasĉambro. Feliĉan lernadon kaj amuziĝin.

Bibliografioj kaj Referencaj Kreditoj

• NIPS-Procedoj – Unua Ordo Moviĝa Modelo por Bilda Animacio – Aliaksandr Siarohin, Stéphane Lathuilière, Sergej Tuljakov, Eliza Ricci, Nicu Sebe

• Universitato Cornell – Komputila Vizio kaj Padrona Rekono – Unua Ordo Moviĝa Modelo por Bilda Animacio

• Github – AliaksandrSiarohin – unuaorda-modelo

• Github Paĝoj – Unua Ordo Moviĝa Modelo por Bilda Animacio

• Lernu OpenCV – Delaunay Triangulation kaj Voronoi Diagram uzante OpenCV

• Lernu OpenCV – Vizaĝo Interŝanĝo uzante OpenCV – Satya Mallick

• pysource – Interŝanĝado de vizaĝoj – Sergio Canu