Visão Computacional: Troca de rosto de Python & Deepfake rápido em Colab

Compre Agora

Preço: $109.99

Olá e bem-vindo ao meu novo curso ‘Python Face Swap & Deepfake rápido usando Google Colab’

Você sabe, existe uma velha frase que diz "ver para crer". Mas no mundo de ‘Deepfake’ o que vemos nem sempre é verdade. Vamos definir deep fake com a ajuda de um vídeo de exemplo. Aqui está.

Usei apenas um único carimbo de fotos dessas pessoas para criar esses vídeos. sim, você ouviu direito. Com apenas uma imagem de rosto e alguns minutos com um computador normal, você pode criar deepfake de qualquer um. Você pode até fazer pessoas mortas falarem ou mesmo cantar para você.

sim! Esteja preparado para se surpreender. Antes de prosseguirmos, deixe-me explicar a lista de conteúdos incluídos neste curso. Este curso é dividido exatamente em duas metades.

Na primeira metade, estaremos criando um aplicativo básico de troca de face baseado em python. Antes de prosseguirmos, teremos uma introdução à técnica deep fake, suas aplicações, vantagens e desvantagens. Então temos que preparar nosso computador com todas as dependências instaladas. Estaremos instalando o Anaconda, a plataforma e IDE para nossa programação python. Posteriormente, existem algumas sessões opcionais para aqueles que desejam aprender o básico da linguagem de programação python.

Mais tarde, iremos instalar o resto das dependências necessárias para construir nosso aplicativo personalizado de troca de face python. Depois disso, escreveremos o código python linha por linha para completar todo o programa com mais de 300 linhas. Como alternativa, você também pode baixar o código completo no link do Google Drive fornecido na última sessão deste curso. No início, faremos a troca de rosto usando duas imagens estáticas. Um como a imagem de origem e outro como a imagem de destino. Mais tarde, vamos testá-lo para um vídeo em tempo real da câmera da web de nosso computador. E então vamos modificá-lo para que funcione com um vídeo pré-salvo salvo em nosso computador.

A partir dos exemplos, você pode ver que este era apenas um programa básico de troca de rosto e não é nada perfeito. Estávamos fazendo isso apenas para aprender como as coisas funcionam nos bastidores.

Posteriormente, prosseguiremos com a implementação do deepfake com base em um artigo denominado ‘Modelo de movimento de primeira ordem para animação de imagem’ enviado à Universidade Cornell por Aliaksandr Siarohin, Stéphane Lathuilière, Sergey Tulyakov, Elisa Ricci e Nicu Sebe

Já que treinar um deepfake envolve GPUs caras, temos um plano alternativo para usar a GPU gratuita do Google Colab. Estaremos preparando nosso Google Drive criando pastas e enviando o vídeo de exemplo de condução, com base no qual a imagem alvo precisa ser animada e também as imagens alvo ou imagens de origem.

Também faremos o download de uma cópia do bloco de notas de demonstração do google colab e conectaremos com o google drive. Em seguida, clonaremos o repositório de modelo de movimento de primeira ordem do Google Drive.

Mais tarde, também procederemos com a clonagem do repositório de alinhamento de face. Vamos instalá-lo e configurá-lo em nosso colab do google. Em seguida, moveremos os arquivos para as pastas correspondentes e começaremos cortando o vídeo de direção usando um programa python integrado.

Depois disso, faremos o download do gráfico de inferência congelada do modelo já treinado para o nosso Google Drive. E agora está tudo pronto para prosseguir com a animação das imagens de origem com base no vídeo de condução. Depois de concluído, iremos baixar o vídeo animado. Também faremos o mesmo com algumas das outras imagens de origem.

O vídeo animado não terá áudio. Portanto, temos que misturar o áudio a ele usando qualquer ferramenta de edição de vídeo gratuita ou de código aberto disponível online. Faremos isso em nossa próxima sessão e, finalmente, temos todos os vídeos de animação deepfake com áudio incluído.

Como a sessão final, também discutiremos como podemos economizar o tempo limitado gratuito da GPU oferecido pelo Google e a solução alternativa se o tempo da GPU for excedido.

Só mais uma palavra antes de eu concluir. Por favor, faça uso dos conteúdos e técnicas mencionados neste tutorial com muita responsabilidade. É destinado apenas para fins de aprendizagem e pesquisa. Eu, como instrutor ou a plataforma em que hospedo este curso, não serei responsável por qualquer uso ilegal ou irresponsável desta técnica.

Isso é tudo sobre os tópicos que estão incluídos atualmente neste curso rápido. O código, imagens e pesos usados ​​neste curso foram carregados e compartilhados em uma pasta. Incluirei o link para baixá-los na última sessão ou a seção de recursos deste curso. Você é livre para usar o código em seus projetos sem fazer perguntas.

Também depois de concluir este curso, você receberá um certificado de conclusão do curso que agregará valor ao seu portfólio.

Então isso é tudo por agora, te vejo em breve na sala de aula. Bom aprendizado e tenha um ótimo tempo.

Bibliografias e créditos de referência

• Procedimentos NIPS – Modelo de movimento de primeira ordem para animação de imagem – Aliaksandr Siarohin, Stéphane Lathuilière, Sergey Tulyakov, Elisa Ricci, Nicu Sebe

• Universidade de Cornell – Visão computacional e reconhecimento de padrões – Modelo de movimento de primeira ordem para animação de imagem

• Github – AliaksandrSiarohin – modelo de primeira ordem

• Páginas do Github – Modelo de movimento de primeira ordem para animação de imagem

• Aprenda OpenCV – Triangulação de Delaunay e diagrama de Voronoi usando OpenCV

• Aprenda OpenCV – Troca de rosto usando OpenCV – Satya Mallick

• pysource – Troca de rosto – Sergio Canu