Éditeur : Abhilash Nelson

Prix : 69 $

Durée du cours :

->

Langue du cours : Anglais

La description

Bonjour et bienvenue dans mon nouveau cours ‘Python Face Swap & Quick Deepfake using Google Colab’

Vous savez, il y a une vieille phrase qui dit «voir c’est croire». Mais dans le monde de «Deepfake», ce que nous voyons n’est pas toujours vrai. Définissons le faux profond à l’aide d’un exemple de vidéo. Voilà.

Je n’ai utilisé qu’une seule photo de taille de tampon de ces personnes pour créer ces vidéos. Oui, vous avez bien entendu. Avec une seule image de visage et quelques minutes de temps avec un ordinateur normal, vous pouvez créer un deepfake de n’importe qui. Vous pouvez même faire parler les morts ou même chanter pour vous.

Oui! Préparez-vous à être éblouis. Avant de poursuivre, permettez-moi de vous expliquer la liste des contenus inclus dans ce cours. Ce cours est divisé exactement en deux moitiés.

Dans la première moitié, nous allons créer une application d’échange de visage basée sur python. Avant de continuer, nous aurons une introduction à la technique du faux profond, ses applications, ses avantages et ses inconvénients. Ensuite, nous devons préparer notre ordinateur avec toutes les dépendances installées. Nous installerons Anaconda, la plate-forme et l’IDE pour notre programmation python. Plus tard, il y a peu de sessions optionnelles pour ceux qui veulent apprendre les bases des bases du langage de programmation python.

Plus tard, nous installerons le reste des dépendances nécessaires à la création de notre application d’échange de visage python personnalisée. Après cela, nous écrirons le code python ligne par ligne pour compléter l’ensemble du programme avec plus de 300 lignes. Vous pouvez également télécharger le code complet à partir du lien google drive fourni dans la dernière session de ce cours. Dans un premier temps, nous allons faire l’échange de visage en utilisant deux images statiques. L’un comme image source et l’autre comme image cible. Plus tard, nous l’essayerons pour la vidéo en temps réel de la caméra Web de notre ordinateur. Et puis nous le modifierons pour le faire fonctionner avec une vidéo pré-enregistrée enregistrée dans notre ordinateur.

À partir des exemples, vous pouvez voir que ce n’était qu’un programme d’échange de visage de base et qu’il n’est pas du tout parfait. Nous le faisions juste pour apprendre comment les choses fonctionnent dans les coulisses.

Plus tard, nous procéderons à l’implémentation de deepfake sur la base d’un article intitulé «First Order Motion Model for Image Animation» soumis à l’Université Cornell par Aliaksandr Siarohin, Stéphane Lathuilière, Sergey Tulyakov, Elisa Ricci et Nicu Sebe

Étant donné que la formation d’un deepfake implique des GPU coûteux, nous avons un autre plan pour utiliser le GPU gratuit de Google Colab. Nous préparerons notre lecteur Google en créant des dossiers et en téléchargeant l’exemple de vidéo de conduite, sur la base duquel l’image cible doit être animée ainsi que les images cibles ou les images sources.

Nous téléchargerons également une copie du cahier de démonstration google colab et nous nous connecterons avec google drive. Ensuite, nous clonerons le référentiel de modèles de mouvement de premier ordre à partir de Google Drive.

Plus tard, nous procéderons également au clonage du référentiel d’alignement de visage. Nous allons l’installer et le configurer dans notre google colab. Ensuite, nous déplacerons les fichiers dans les dossiers correspondants et commencerons par recadrer la vidéo de conduite à l’aide d’un programme python intégré.

Après cela, nous téléchargerons le graphique d’inférence figé du modèle déjà formé sur notre lecteur Google. Et maintenant, tout est prêt pour procéder à l’animation des images sources en fonction de la vidéo de conduite. Une fois terminé, nous téléchargerons la vidéo animée. Nous ferons également de même pour quelques-unes des autres images sources.

La vidéo animée n’aura pas d’audio. Nous devons donc y mélanger l’audio en utilisant n’importe quel outil d’édition vidéo gratuit ou open source disponible en ligne. Nous le ferons lors de notre prochaine session et enfin nous avons toutes les vidéos animées deepfake avec audio inclus.

Lors de la session finale, nous discuterons également de la manière dont nous pouvons économiser le temps GPU gratuit limité offert par Google et de la solution de contournement si le temps GPU est dépassé.

Juste un autre mot avant de conclure. Veuillez utiliser le contenu et les techniques mentionnés dans ce tutoriel de manière très responsable. Son destiné uniquement à des fins d’apprentissage et de recherche. Moi en tant qu’instructeur ou la plateforme sur laquelle j’héberge ce cours ne seront pas responsables de toute utilisation illégale ou irresponsable de cette technique.

C’est tout sur les sujets qui sont actuellement inclus dans ce cours rapide. Le code, les images et les poids utilisés dans ce cours ont été téléchargés et partagés dans un dossier. J’inclurai le lien pour les télécharger dans la dernière session ou dans la section ressources de ce cours. Vous êtes libre d’utiliser le code dans vos projets sans poser de questions.

Également après avoir terminé ce cours, vous recevrez un certificat de fin de cours qui ajoutera de la valeur à votre portfolio.

Alors c’est tout pour l’instant, à bientôt dans la salle de classe. Bon apprentissage et passer un bon moment.

Bibliographies et crédits de référence

• Actes du NIPS – Modèle de mouvement du premier ordre pour l’animation d’image – Aliaksandr Siarohin, Stéphane Lathuilière, Sergey Tulyakov, Elisa Ricci, Nicu Sebe

• Université Cornell – Vision par ordinateur et reconnaissance de formes – Modèle de mouvement de premier ordre pour l’animation d’image

• Github – AliaksandrSiarohin – modèle du premier ordre

• Pages Github – Modèle de mouvement de premier ordre pour l’animation d’image

• Apprendre OpenCV – Triangulation de Delaunay et diagramme de Voronoi à l’aide d’OpenCV

• Apprendre OpenCV – Face Swap avec OpenCV – Satya Mallick

• pysource – Échange de visage – Sergio Canu