🧠 AI vs. Real Image Classifier

---

💡 Introduksjon

Dette prosjektet undersøker om det er mulig å skille AI-genererte ansikter fra ekte bilder ved hjelp av maskinlæring.
Modellen trenes med transfer learning (ResNet18) og gjøres tilgjengelig i en interaktiv Streamlit-webapp.

Prosjektet demonstrerer:

✅ maskinlæringens komplette livssyklus
✅ databehandling og preprocessing
✅ trening og evaluering
✅ deployment i webapplikasjon

---

📌 Innhold

• Datasett
• Metode
• Modellarkitektur
• Resultater
• Webapplikasjon
• Forfattere

---

📂 Datasett

Datasettet består av to kategorier:

• 🟣 ai – AI-genererte ansikter
• 🟩 real – ekte ansiktsbilder

Fordeling:

• 70 % — trening
• 15 % — validering
• 15 % — testing

Datasettet ble prosessert slik:

data/processed/train/ data/processed/val/ data/processed/test/

---

⚙️ Metode

Teknologier og teknikker brukt:

• Transfer learning via ResNet18
• Fine-tuning på siste lag
• Normalize + resize med torchvision transforms
• CrossEntropyLoss som tapsfunksjon
• Adam optimizer

Modellen ble trent i 6 epoker på ca. 40 % av datasetet for å redusere treningstiden.

---

🧬 Modellarkitektur

ResNet18 ble tilpasset med nytt klassifiseringslag:

model.fc = nn.Sequential(
    nn.Linear(num_features, 256),
    nn.ReLU(),
    nn.Dropout(0.3),
    nn.Softmax(dim=1)
)
Kun siste lag ble trent videre (fine-tuning).

📊 Resultater
Endelig testaccuracy:

✅ 69.58 %

Klassifikasjonsrapporten viste balanserte resultater:

Klasse	F1-score
AI	0.70
Real	0.69

🔷 Confusion Matrix
Modellen feiltolker oftere ekte bilder som AI.
Dette kan skyldes filtre og moderne etterbehandling som gir glatte, AI-lignende teksturer.

🧐 Observasjoner
Modellen er generelt stabil

Ingen tydelig overfitting

Feil skjer oftest på ekte bilder med “kunstige” trekk

🌐 Webapplikasjon
Webappen er laget med Streamlit.
Brukeren kan:

✅ laste opp bilder
✅ få sanntidsprediksjon
✅ se sannsynligheter
✅ motta visuelt feedback (ballonger/warnings)


👩‍🦰👱‍♀️👩Forfattere

- Sarah S. Ahsan
- Amna Zafar
- Mannat Gabria