从零入门AI篡改图片检测（金融场景）#Datawhale十月组队学习

1.大赛背景

在全球人工智能发展和治理广受关注的大趋势下，由中国图象图形学学会、蚂蚁集团、云安全联盟CSA大中华区主办，广泛联合学界、机构共同组织发起全球AI攻防挑战赛。本次比赛包含攻防两大赛道，分别聚焦大模型自身安全和大模型生成内容的防伪检测，涉及信用成长、凭证审核、商家入驻、智能助理等多个业务场景，覆盖机器学习、图像处理与计算机视觉、数据处理等多个算法领域，旨在聚合行业及学界力量共同守护AI及大模型的安全，共同推动AI安全可信技术的发展。

2.赛题二：AI核身-金融场景凭证篡改检测

金融领域交互式自证业务中涵盖信用成长、用户开户、商家入驻、职业认证、商户解限等多种应用场景，通常都需要用户提交一定的材料（即凭证）用于证明资产收入信息、身份信息、所有权信息、交易信息、资质信息等，而凭证的真实性一直是困扰金融场景自动化审核的一大难题。随着数字媒体编辑技术的发展，越来越多的AI手段和工具能够轻易对凭证材料进行篡改，大量的黑产团伙也逐渐掌握PS、AIGC等工具制作逼真的凭证样本，并对金融审核带来巨大挑战。
为此，开设AI核身-金融凭证篡改检测赛道。将会发布大规模的凭证篡改数据集，参赛队伍在给定的大规模篡改数据集上进行模型研发，同时给出对应的测试集用于评估算法模型的有效性。

3.赛题与数据

数据集格式如下：

• 训练集数据总量为100w，提供篡改后的凭证图像及其对应的篡改位置标注，标注文件以csv格式给出，csv文件中包括两列
• 测试集分为A榜和B榜，分别包含10w测试数据。测试集中数据格式与训练集中一致，但不包含标注文件。

采用Micro-F1作为评价指标，该分数越高表示排名越靠前。

4.baseline

本任务可以基于检测模型微调，也允许使用基于大模型的方案等。方案不限于：

小模型微调（例如Faster R-CNN、ConvNeXt(Base)+UPerHead、SegNeXt、VAN(B5)+UPerHead等）；
使用大模型（例如SAM、Grounded-SAM等）；
多模型协同等。

赛事官方给出的baseline是基于SwinTransformer (Large) + Cascade R-CNN的实验结果。

Datawhale提供的是基于yolov8模型的实验结果。

本任务基于Datawhale提供的是基于yolov8模型的baseline展开。

首先需要下载数据集，数据集很大，训练集包括16个文件夹，接近50G.

考虑到机器的限制和训练的效率，使用全量数据来跑是不现实的，也是很贵的。全量数据共有100W+。

那么可行的策略

策略一：就是使用1个train_data来跑，比如training_data-00,跑到收敛，然后再用训好的模型去微调其他数据集。可能需要固定一些层的参数，然后比赛截止前再用全量数据微调一下。提交最后的结果；

策略二：自己采样制作数据集，从16个文件夹中，按一定比例采样数据，最终得到约6W的训练数据集，进行训练，直到收敛。然后再全量数据微调。

在数据处理环节，我们可以查看训练集的样本，可以看到样本的类型，这个样本还是很丰富的。

我用的机器是阿里云V100，单卡，训练6W数据的话，50个epoch需要9h。

感觉这种比赛越来越卷，数据越来越大，对机器的要求越来越高，那么这里面应该是有很多算法工程化的小技巧的，应该是有很多优化的tricks的，这些需要通过不断的实践来提高、积累。

接下里记录一些跑baseline中遇到的问题和解决方法。

1.training_anno = pd.read_csv('./seg_risky_training_anno.csv')

这行代码，baseline里面给的是原始URL，运行有一定概率出现Connection的问题，那么我们可以修改为

!axel -n 12 -a http://mirror.coggle.club/seg_risky_training_anno.csv
training_anno = pd.read_csv('./seg_risky_training_anno.csv')

2.训练集和验证集的划分

baseline里面默认使用了前10000行作为训练集，10000-10150作为验证集，datatrain_00的6W数据没有数据。我们需要采用随机采样来划分训练集和验证集，验证集的比例为0.1。

代码修改后如下：

#随机采样划分训练集和验证集，验证集占比0.1
import os
import shutil
import cv2
import glob
import json
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split

# 定义一个函数，用于归一化多边形的坐标
def normalize_polygon(polygon, img_width, img_height):
    return [(x / img_width, y / img_height) for x, y in polygon]

# 随机划分训练集和验证集，验证集比例为0.1
train_df, valid_df = train_test_split(training_anno, test_size=0.1, random_state=42)

# 处理训练集
for row in train_df.iterrows():
    shutil.copy(row[1].Path, 'yolo_seg_dataset/train')

    img = cv2.imread(row[1].Path)
    img_height, img_width = img.shape[:2]
    txt_filename = os.path.join('yolo_seg_dataset/train/', row[1].Path.split('/')[-1][:-4] + '.txt')
    with open(txt_filename, 'w') as up:
        for polygon in row[1].Polygons:
            normalized_polygon = normalize_polygon(polygon, img_width, img_height)
            normalized_coords = ' '.join([f'{coord[0]:.3f} {coord[1]:.3f}' for coord in normalized_polygon])
            up.write(f'0 {normalized_coords}\n')

# 处理验证集
for row in valid_df.iterrows():
    shutil.copy(row[1].Path, 'yolo_seg_dataset/valid')

    img = cv2.imread(row[1].Path)
    img_height, img_width = img.shape[:2]
    txt_filename = os.path.join('yolo_seg_dataset/valid/', row[1].Path.split('/')[-1][:-4] + '.txt')
    with open(txt_filename, 'w') as up:
        for polygon in row[1].Polygons:
            normalized_polygon = normalize_polygon(polygon, img_width, img_height)
            normalized_coords = ' '.join([f'{coord[0]:.3f} {coord[1]:.3f}' for coord in normalized_polygon])
            up.write(f'0 {normalized_coords}\n')

3.推理

我们每练一次就会产生一个train文件，推理的时候需要使用最新训练好的模型参数，防止弄错模型导致结果错误。

from ultralytics import YOLO
import glob
from tqdm import tqdm

model = YOLO("./runs/segment/train5/weights/best.pt") #注意更新模型，查看segment/train文件夹，防止弄错模型

test_imgs = glob.glob('./test_set_A_rename/*/*')

4.结果提交

原始baseline还存在一个问题，提交的格式不正确，赛事要求的提交格式是

baseline初版给出的是，yolo_seg输出是一堆坐标点，需要转换为满足[左上，右上，右下，左下]格式的矩形框。

代码修改后如下：

# 初始化一个空列表，用于存储每个图像的多边形掩码
Polygon = []

# 使用 tqdm 包装循环，显示进度条
for path in tqdm(test_imgs[:]):  # 只处理前10000个图像
    # 使用模型对当前图像进行推理
    results = model(path, verbose=False)  # verbose=False 表示不打印推理过程中的详细信息
    
    # 获取第一个结果（假设模型返回的是一个结果列表）
    result = results[0]
    
    # 检查是否有检测到的掩码
    if result.masks is None:
        # 如果没有检测到掩码，添加一个空列表
        Polygon.append([])
    else:
        # 如果检测到了掩码，将每个掩码转换为所需的格式
        processed_masks = []
        for mask in result.masks.xy:
            # 将每个坐标点转换为浮点数
            float_mask = [point.astype(float).tolist() for point in mask]
            
            # 计算边界框的最小和最大坐标
            x_coords = [point[0] for point in float_mask]
            y_coords = [point[1] for point in float_mask]
            min_x, max_x = min(x_coords), max(x_coords)
            min_y, max_y = min(y_coords), max(y_coords)
            
            # 构建左上、右上、右下、左下的坐标点
            polygon = [
                [round(min_x, 1), round(min_y, 1)],  # 左上
                [round(max_x, 1), round(min_y, 1)],  # 右上
                [round(max_x, 1), round(max_y, 1)],  # 右下
                [round(min_x, 1), round(max_y, 1)]   # 左下
            ]
            
            processed_masks.append(polygon)
        
        # 将处理后的多边形添加到 Polygon 列表中
        Polygon.append(processed_masks)

# 此时，Polygon 列表中存储了每个图像的多边形掩码，每个多边形由4个顶点组成

这里面其实还是存在一些问题的，我查看训练集标签发现的。训练集标签中还存在一些：

1）不规则四边形（非矩形，那么按照代码计算最大最小坐标在生成框应该是不准确的，比如可能存在右下坐标（不是max_x,max_y)比这个最大值小一些，那么按照最大值得到就把这个区域扩大了，其他几个顶点类似），我们无法看到测试集的标签分布，所以无法得知测试集是否存在同样情况；

2）我发现训练集标签还存在一些不是4个点的情况，比如6个点，两个大小矩形连在一起，这种情况在模型中是没有考虑的。

这些可能会影响到最终的得分，不过这是TOP选手需要考虑的哈。

上分情况记录：

YOLOV8

模型参数

YOLO11

模型参数

由于我们需要在有限的资源下，去尽可能取得高分，对比YOLOv8和YOLO11的模型预训练参数，综合考虑下来选择YOLO11s或者YOLO11l可能效果会更好。

目前自己跑下来的情况，YOLOv8n，跑data0文件6W数据，因为没有连续跑，一共跑了10+50+50+90轮，得分情况如下：从60轮到200轮，提分2分。

训练仍未收敛，预计还需要继续跑，不过感觉后面提分情况有限了。

后面准备跑一下YOLO11s看看效果。