authenticvision-cli 0.1.0__tar.gz

authenticvision_cli-0.1.0/PKG-INFO

@@ -0,0 +1,95 @@
+Metadata-Version: 2.4
+Name: authenticvision-cli
+Version: 0.1.0
+Summary: CLI tool for Deepfake Image Detection
+Author: Khalifa A. BEYE
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Classifier: Intended Audience :: End Users/Desktop
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Classifier: Topic :: Scientific/Engineering :: Image Recognition
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: torch
+Requires-Dist: transformers
+Requires-Dist: Pillow
+Requires-Dist: fastapi
+Requires-Dist: uvicorn
+Requires-Dist: python-multipart
+Requires-Dist: gradio
+Dynamic: author
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+# AuthenticVision CLI - Deepfake Detection Tool
+
+Un outil en ligne de commande (CLI) puissant pour analyser des images et détecter si elles ont été générées ou manipulées par une Intelligence Artificielle (Deepfakes), en utilisant un modèle Vision Transformer (ViT) avancé.
+
+---
+
+## 🚀 Installation
+
+L'outil est packagé pour s'installer facilement et de manière globale sur votre système.
+
+1.  Ouvrez votre terminal et placez-vous dans le dossier du projet :
+    ```bash
+    cd /chemin/vers/deepfake_detection
+    ```
+2.  Installez le package en mode éditable avec `pip` :
+    ```bash
+    pip install -e .
+    ```
+
+Une fois l'installation terminée, la commande globale **`deepfake`** sera accessible depuis n'importe quel dossier de votre terminal.
+
+---
+
+## 🛠️ Utilisation
+
+La syntaxe de base est très simple : passez simplement le chemin de l'image que vous souhaitez analyser.
+
+### 1. Analyse Standard Rapide
+```bash
+deepfake mon_image.jpg
+```
+*L'outil chargera le modèle silencieusement (pour ne pas polluer l'écran) et affichera un encart clair avec le verdict "AUTHENTIQUE" ou "DEEPFAKE" ainsi que le pourcentage de confiance.*
+
+### 2. Ajuster la Sensibilité (Rigueur)
+L'outil vous permet d'ajuster sa tolérance grâce à l'argument `--sensitivity` (valeur entre 1 et 99, par défaut : 50).
+-   **Augmenter la sensibilité (ex: 80)** : Rend l'IA plus stricte. Utile si vous analysez des documents sensibles où le moindre doute génératif doit déclencher une alerte.
+-   **Diminuer la sensibilité (ex: 20)** : Rend l'IA plus indulgente. Utile pour éviter les faux positifs sur des photos réelles mais très compressées ou avec beaucoup de filtres (type Instagram).
+
+```bash
+deepfake mon_image.jpg --sensitivity 85
+```
+
+### 3. Sortie au format JSON (Pour les scripts/pipelines)
+Si vous souhaitez intégrer cet outil dans un script automatisé (bash, Node.js, Pipeline CI/CD, etc.), utilisez le flag `--json`.
+L'interface visuelle sera désactivée et la sortie sera un JSON pur, facilement parsable.
+
+```bash
+deepfake mon_image.jpg --json
+```
+
+**Exemple de sortie JSON :**
+```json
+{
+  "status": "success",
+  "file": "test.jpg",
+  "verdict": "AUTHENTIQUE",
+  "fake_prob": 0.0398,
+  "real_prob": 0.9602,
+  "sensitivity_used": 50
+}
+```
+
+### 4. Afficher l'Aide
+Pour retrouver toutes les commandes disponibles directement dans le terminal :
+```bash
+deepfake --help
+```

authenticvision_cli-0.1.0/README.md

@@ -0,0 +1,67 @@
+# AuthenticVision CLI - Deepfake Detection Tool
+
+Un outil en ligne de commande (CLI) puissant pour analyser des images et détecter si elles ont été générées ou manipulées par une Intelligence Artificielle (Deepfakes), en utilisant un modèle Vision Transformer (ViT) avancé.
+
+---
+
+## 🚀 Installation
+
+L'outil est packagé pour s'installer facilement et de manière globale sur votre système.
+
+1.  Ouvrez votre terminal et placez-vous dans le dossier du projet :
+    ```bash
+    cd /chemin/vers/deepfake_detection
+    ```
+2.  Installez le package en mode éditable avec `pip` :
+    ```bash
+    pip install -e .
+    ```
+
+Une fois l'installation terminée, la commande globale **`deepfake`** sera accessible depuis n'importe quel dossier de votre terminal.
+
+---
+
+## 🛠️ Utilisation
+
+La syntaxe de base est très simple : passez simplement le chemin de l'image que vous souhaitez analyser.
+
+### 1. Analyse Standard Rapide
+```bash
+deepfake mon_image.jpg
+```
+*L'outil chargera le modèle silencieusement (pour ne pas polluer l'écran) et affichera un encart clair avec le verdict "AUTHENTIQUE" ou "DEEPFAKE" ainsi que le pourcentage de confiance.*
+
+### 2. Ajuster la Sensibilité (Rigueur)
+L'outil vous permet d'ajuster sa tolérance grâce à l'argument `--sensitivity` (valeur entre 1 et 99, par défaut : 50).
+-   **Augmenter la sensibilité (ex: 80)** : Rend l'IA plus stricte. Utile si vous analysez des documents sensibles où le moindre doute génératif doit déclencher une alerte.
+-   **Diminuer la sensibilité (ex: 20)** : Rend l'IA plus indulgente. Utile pour éviter les faux positifs sur des photos réelles mais très compressées ou avec beaucoup de filtres (type Instagram).
+
+```bash
+deepfake mon_image.jpg --sensitivity 85
+```
+
+### 3. Sortie au format JSON (Pour les scripts/pipelines)
+Si vous souhaitez intégrer cet outil dans un script automatisé (bash, Node.js, Pipeline CI/CD, etc.), utilisez le flag `--json`.
+L'interface visuelle sera désactivée et la sortie sera un JSON pur, facilement parsable.
+
+```bash
+deepfake mon_image.jpg --json
+```
+
+**Exemple de sortie JSON :**
+```json
+{
+  "status": "success",
+  "file": "test.jpg",
+  "verdict": "AUTHENTIQUE",
+  "fake_prob": 0.0398,
+  "real_prob": 0.9602,
+  "sensitivity_used": 50
+}
+```
+
+### 4. Afficher l'Aide
+Pour retrouver toutes les commandes disponibles directement dans le terminal :
+```bash
+deepfake --help
+```

authenticvision_cli-0.1.0/authenticvision_cli.egg-info/PKG-INFO

@@ -0,0 +1,95 @@
+Metadata-Version: 2.4
+Name: authenticvision-cli
+Version: 0.1.0
+Summary: CLI tool for Deepfake Image Detection
+Author: Khalifa A. BEYE
+Classifier: Programming Language :: Python :: 3
+Classifier: License :: OSI Approved :: MIT License
+Classifier: Operating System :: OS Independent
+Classifier: Intended Audience :: End Users/Desktop
+Classifier: Topic :: Scientific/Engineering :: Artificial Intelligence
+Classifier: Topic :: Scientific/Engineering :: Image Recognition
+Requires-Python: >=3.8
+Description-Content-Type: text/markdown
+Requires-Dist: torch
+Requires-Dist: transformers
+Requires-Dist: Pillow
+Requires-Dist: fastapi
+Requires-Dist: uvicorn
+Requires-Dist: python-multipart
+Requires-Dist: gradio
+Dynamic: author
+Dynamic: classifier
+Dynamic: description
+Dynamic: description-content-type
+Dynamic: requires-dist
+Dynamic: requires-python
+Dynamic: summary
+
+# AuthenticVision CLI - Deepfake Detection Tool
+
+Un outil en ligne de commande (CLI) puissant pour analyser des images et détecter si elles ont été générées ou manipulées par une Intelligence Artificielle (Deepfakes), en utilisant un modèle Vision Transformer (ViT) avancé.
+
+---
+
+## 🚀 Installation
+
+L'outil est packagé pour s'installer facilement et de manière globale sur votre système.
+
+1.  Ouvrez votre terminal et placez-vous dans le dossier du projet :
+    ```bash
+    cd /chemin/vers/deepfake_detection
+    ```
+2.  Installez le package en mode éditable avec `pip` :
+    ```bash
+    pip install -e .
+    ```
+
+Une fois l'installation terminée, la commande globale **`deepfake`** sera accessible depuis n'importe quel dossier de votre terminal.
+
+---
+
+## 🛠️ Utilisation
+
+La syntaxe de base est très simple : passez simplement le chemin de l'image que vous souhaitez analyser.
+
+### 1. Analyse Standard Rapide
+```bash
+deepfake mon_image.jpg
+```
+*L'outil chargera le modèle silencieusement (pour ne pas polluer l'écran) et affichera un encart clair avec le verdict "AUTHENTIQUE" ou "DEEPFAKE" ainsi que le pourcentage de confiance.*
+
+### 2. Ajuster la Sensibilité (Rigueur)
+L'outil vous permet d'ajuster sa tolérance grâce à l'argument `--sensitivity` (valeur entre 1 et 99, par défaut : 50).
+-   **Augmenter la sensibilité (ex: 80)** : Rend l'IA plus stricte. Utile si vous analysez des documents sensibles où le moindre doute génératif doit déclencher une alerte.
+-   **Diminuer la sensibilité (ex: 20)** : Rend l'IA plus indulgente. Utile pour éviter les faux positifs sur des photos réelles mais très compressées ou avec beaucoup de filtres (type Instagram).
+
+```bash
+deepfake mon_image.jpg --sensitivity 85
+```
+
+### 3. Sortie au format JSON (Pour les scripts/pipelines)
+Si vous souhaitez intégrer cet outil dans un script automatisé (bash, Node.js, Pipeline CI/CD, etc.), utilisez le flag `--json`.
+L'interface visuelle sera désactivée et la sortie sera un JSON pur, facilement parsable.
+
+```bash
+deepfake mon_image.jpg --json
+```
+
+**Exemple de sortie JSON :**
+```json
+{
+  "status": "success",
+  "file": "test.jpg",
+  "verdict": "AUTHENTIQUE",
+  "fake_prob": 0.0398,
+  "real_prob": 0.9602,
+  "sensitivity_used": 50
+}
+```
+
+### 4. Afficher l'Aide
+Pour retrouver toutes les commandes disponibles directement dans le terminal :
+```bash
+deepfake --help
+```

authenticvision_cli-0.1.0/authenticvision_cli.egg-info/SOURCES.txt

@@ -0,0 +1,9 @@
+README.md
+cli.py
+setup.py
+authenticvision_cli.egg-info/PKG-INFO
+authenticvision_cli.egg-info/SOURCES.txt
+authenticvision_cli.egg-info/dependency_links.txt
+authenticvision_cli.egg-info/entry_points.txt
+authenticvision_cli.egg-info/requires.txt
+authenticvision_cli.egg-info/top_level.txt

authenticvision_cli-0.1.0/authenticvision_cli.egg-info/dependency_links.txt

@@ -0,0 +1 @@
+

authenticvision_cli-0.1.0/authenticvision_cli.egg-info/entry_points.txt

@@ -0,0 +1,2 @@
+[console_scripts]
+deepfake = cli:main

authenticvision_cli-0.1.0/authenticvision_cli.egg-info/requires.txt

@@ -0,0 +1,7 @@
+torch
+transformers
+Pillow
+fastapi
+uvicorn
+python-multipart
+gradio

authenticvision_cli-0.1.0/authenticvision_cli.egg-info/top_level.txt

@@ -0,0 +1 @@
+cli

authenticvision_cli-0.1.0/cli.py

@@ -0,0 +1,113 @@
+#!/usr/bin/env python
+import sys
+import argparse
+import json
+import os
+import logging
+import contextlib
+import warnings
+
+# Hide TensorFlow and Hugging Face logs
+os.environ["TF_CPP_MIN_LOG_LEVEL"] = "3"
+os.environ["HF_HUB_DISABLE_PROGRESS_BARS"] = "1"
+logging.getLogger("transformers").setLevel(logging.ERROR)
+warnings.filterwarnings("ignore")
+
+import torch
+from PIL import Image
+from transformers import ViTImageProcessor, ViTForImageClassification
+from transformers import logging as hf_logging
+hf_logging.set_verbosity_error()
+
+def main():
+    parser = argparse.ArgumentParser(description="Outil en ligne de commande pour la détection de Deepfakes.")
+    parser.add_argument('image_path', type=str, help='Le chemin vers l\'image à analyser.')
+    parser.add_argument('--sensitivity', type=int, default=50, help='Sensibilité de 1 à 99 (défaut: 50). Augmenter pour être plus strict sur les fakes.')
+    parser.add_argument('--json', action='store_true', help='Affiche le résultat au format JSON bruit pour faciliter le traitement par d\'autres scripts.')
+    
+    args = parser.parse_args()
+
+    try:
+        # Configuration de l'appareil
+        device = torch.device("mps" if torch.backends.mps.is_available() else "cpu")
+        model_name = "prithivMLmods/Deep-Fake-Detector-Model"
+        
+        # Rediriger silencieusement le chargement des poids du modèle
+        with open(os.devnull, 'w') as fnull:
+            with contextlib.redirect_stdout(fnull), contextlib.redirect_stderr(fnull):
+                processor = ViTImageProcessor.from_pretrained(model_name)
+                model = ViTForImageClassification.from_pretrained(model_name).to(device)
+                model.eval()
+    except Exception as e:
+        if args.json:
+            print(json.dumps({"status": "error", "message": f"Erreur de chargement du modèle: {str(e)}"}))
+        else:
+            print(f"❌ Erreur critique lors du chargement du modèle : {e}")
+        sys.exit(1)
+
+    try:
+        img = Image.open(args.image_path).convert("RGB")
+    except Exception as e:
+        if args.json:
+            print(json.dumps({"status": "error", "message": f"Erreur lors de l'ouverture de l'image: {str(e)}"}))
+        else:
+            print(f"❌ Erreur lors de l'ouverture : Vérifiez que le chemin '{args.image_path}' est correct.")
+        sys.exit(1)
+
+    try:
+        inputs = processor(images=img, return_tensors="pt").to(device)
+        with torch.no_grad():
+            outputs = model(**inputs)
+            probs = torch.nn.functional.softmax(outputs.logits, dim=-1)
+            
+            real_prob = float(probs[0][0])
+            fake_prob = float(probs[0][1])
+            
+        # Logique de Sensibilité (1-99) identique à api.py / app.py
+        shift = args.sensitivity - 50.0 
+        multiplier = 10 ** (shift / 25.0) 
+        
+        fake_odds = fake_prob / (real_prob + 1e-9)
+        adjusted_fake_odds = fake_odds * multiplier
+        
+        adjusted_fake_prob = adjusted_fake_odds / (1 + adjusted_fake_odds)
+        adjusted_real_prob = 1.0 - adjusted_fake_prob
+        
+        verdict = "DEEPFAKE" if adjusted_fake_prob > 0.50 else "AUTHENTIQUE"
+
+    except Exception as e:
+        if args.json:
+            print(json.dumps({"status": "error", "message": f"Erreur lors de l'analyse: {str(e)}"}))
+        else:
+            print(f"❌ Erreur lors de l'analyse : {e}")
+        sys.exit(1)
+
+    if args.json:
+        output_data = {
+            "status": "success",
+            "file": args.image_path,
+            "verdict": verdict,
+            "fake_prob": adjusted_fake_prob,
+            "real_prob": adjusted_real_prob,
+            "sensitivity_used": args.sensitivity,
+        }
+        print(json.dumps(output_data, indent=2))
+    else:
+        print("\n" + "="*40)
+        print("RÉSULTAT DE L'ANALYSE")
+        print("="*40)
+        print(f"Fichier analysé : {args.image_path}")
+        print(f"Sensibilité     : {args.sensitivity}%")
+        print("-" * 40)
+        
+        if verdict == "DEEPFAKE":
+            print(f"🚨 Verdict : {verdict} (Confiance : {adjusted_fake_prob*100:.1f}%)")
+            print(f"   Ce contenu présente de fortes traces de génération par IA.")
+        else:
+            print(f"✅ Verdict : {verdict} (Confiance : {adjusted_real_prob*100:.1f}%)")
+            print(f"   Ce contenu semble être réel.")
+            
+        print("="*40 + "\n")
+
+if __name__ == '__main__':
+    main()

authenticvision_cli-0.1.0/setup.cfg

@@ -0,0 +1,4 @@
+[egg_info]
+tag_build = 
+tag_date = 0
+

authenticvision_cli-0.1.0/setup.py

@@ -0,0 +1,39 @@
+from setuptools import setup
+import os
+
+# Lire le contenu du README pour la description longue de PyPI
+with open("README.md", "r", encoding="utf-8") as fh:
+    long_description = fh.read()
+
+setup(
+    name='authenticvision-cli', # Un nom unique sur PyPI pour éviter les conflits
+    version='0.1.0',
+    description='CLI tool for Deepfake Image Detection',
+    long_description=long_description,
+    long_description_content_type="text/markdown",
+    author='Khalifa A. BEYE',
+    py_modules=['cli'],
+    install_requires=[
+        'torch',
+        'transformers',
+        'Pillow',
+        'fastapi',
+        'uvicorn',
+        'python-multipart',
+        'gradio',
+    ],
+    entry_points={
+        'console_scripts': [
+            'deepfake=cli:main', # La commande globale que l'utilisateur tapera
+        ],
+    },
+    classifiers=[
+        "Programming Language :: Python :: 3",
+        "License :: OSI Approved :: MIT License",
+        "Operating System :: OS Independent",
+        "Intended Audience :: End Users/Desktop",
+        "Topic :: Scientific/Engineering :: Artificial Intelligence",
+        "Topic :: Scientific/Engineering :: Image Recognition"
+    ],
+    python_requires='>=3.8',
+)