README.md

---
pipeline_tag: image-classification
library_name: keras
language:
- th
- en
- zh
license: apache-2.0
tags:
- mobilenetv2
- ai-detector
- image-recognition
---

# dtacAI-betaV1

## Description / คำอธิบาย / 描述

**English:**
An advanced binary image classification model designed to distinguish between AI-generated and True (Real) images. Built on MobileNetV2 with transfer learning and data augmentation.

**ไทย:**
โมเดลจำแนกภาพประสิทธิภาพสูงที่ถูกพัฒนาขึ้นเพื่อแยกแยะระหว่างภาพที่สร้างโดย AI และภาพถ่ายจริง (TRUE) โดยใช้ฐานโครงสร้าง MobileNetV2 และเทคนิค Transfer Learning

**中文:**
一个高级二元图像分类模型，旨在区分 AI 生成的图像和真实图像。基于 MobileNetV2，采用迁移学习和数据增强技术构建。

## Performance Comparison / การเปรียบเทียบผลลัพธ์ / 性能对比

| Model | Input Size | Accuracy |
| :--- | :---: | :---: |
| **dtacAI-beta (Baseline)** | 150x150 | 68.18% |
| **dtacAI-betaV1 (Current)** | 224x224 | **93.64%** |

## Usage / วิธีใช้งาน / 如何使用

```python
import tensorflow as tf
from huggingface_hub import hf_hub_download
import numpy as np

# 1. Download & Load Model
repo_id = "GGXV1/dtacAI-betaV1"
filename = "dtacAI_betaV1_model.h5"
model_path = hf_hub_download(repo_id=repo_id, filename=filename)
model = tf.keras.models.load_model(model_path)

# 2. Prepare Image
def predict_image(img_path):
    img = tf.keras.utils.load_img(img_path, target_size=(224, 224))
    img_array = tf.keras.utils.img_to_array(img)
    img_array = tf.expand_dims(img_array, 0) # Create a batch
    
    predictions = model.predict(img_array)
    score = tf.nn.sigmoid(predictions[0])
    return "TRUE" if score > 0.5 else "AI"
```

## Training Metrics
![Training Metrics](./training_metrics.png)

## Limitations & Biases
This model is a beta version. Accuracy may vary depending on image lighting and resolution.