블로그 모아보기 - 인프런

딥페이크 변조 방지를 위한 Face Swap Defender 구현 및 오픈소스 공유

안녕하세요. 현업에서 다양한 자동화 및 보안 기술을 연구하고 있는 개발자입니다. 최근 생성형 AI의 급격한 발전과 함께, 타인의 얼굴 데이터를 무단으로 도용하는 페이스 스왑 및 딥페이크 문제가 심각한 디지털 보안 위협으로 대두되고 있습니다.Developing a robust defense mechanism against deepfake manipulation has become a top priority for digital security.(디지털 보안을 위해 딥페이크 변조에 대응하는 견고한 방어 메커니즘을 개발하는 것은 최우선 과제가 되었습니다.)이러한 문제를 기술적으로 예방하고, 내 얼굴 데이터를 기반으로 합성 흔적을 정밀 분석할 수 있는 파이썬 기반의 보안 도구인 Face Swap Defender 프로젝트를 진행하여 그 결과물과 소스코드를 공유하고자 합니다. 💻 핵심 소스코드 (Core Source Code)본 프로그램의 핵심 로직 중 일부를 공유합니다. 입력된 이미지 데이터의 픽셀 불연속성과 텍스처 변형을 추적하여 변조 여부를 1차적으로 필터링하는 파이썬 모듈입니다.import numpy as np def analyze_face_swap(image_data): # 이미지 픽셀 배열 변환 및 초기화 진행 pixel_array = np.array(image_data) detection_score = 0.0 # 픽셀 간의 표준편차를 활용하여 텍스처 변형 분석 수행 analysis_result = np.std(pixel_array) if analysis_result > 50.0: detection_score = 0.95 return { "status": "Warning" if detection_score > 0.8 else "Safe", "score": detection_score }📊 작동 원리 및 상세 설명For a detailed explanation of the underlying logic and system architecture, please refer to the YouTube video.(자세한 작동 원리와 시스템 아키텍처에 대한 설명은 유튜브 콘텐츠를 참고해 주시기 바랍니다.)현업 개발 관점에서 다룬 구체적인 데이터 흐름, 백엔드 연동 과정, 그리고 효율적인 탐지 알고리즘 최적화에 관한 자세한 이야기는 아래 유튜브 채널 영상에 솔직 담백하게 담았습니다. 시청자분들의 피드백을 적극 반영하여 초반의 지루한 구간을 완전히 걷어내고 핵심 위주로 타이트하게 업그레이드한 영상이니 개발 연구에 도움이 되시길 바랍니다. 🔗 오픈소스 및 실행 링크깃허브 전체 소스코드 저장소: https://github.com/gohard-lab구글 코랩 실시간 실행 링크: https://youtu.be/V0QOYNG33ro본 프로그램은 별도의 무거운 라이브러리나 환경 구축 없이 구글 클라우드 환경(Colab)에서 브라우저만으로 안전하게 구동됩니다. 사용자의 개인 컴퓨터에 그 어떤 파일도 강제로 다운로드하거나 설치하지 않으므로, 악성코드나 개인정보 유출 위협 없이 안심하고 링크를 클릭하여 테스트해 보셔도 좋습니다. 많은 관심과 기술적인 피드백 부탁드립니다. 감사합니다!

딥페이크･페이스스왑･파이썬･스트림릿･잡학다식개발자･Deepfake･FaceSwap･Python･Streamlit

0

Streamlit과 Plotly를 활용한 차계부 개발

안녕하세요. 파이썬과 Streamlit을 활용하여 차량 주행 기록과 유지비를 시각화하는 '드라이빙 대시보드' 토이 프로젝트를 진행했습니다.이번 프로젝트를 구현하면서 가장 까다로웠던 부분 중 하나는, Plotly 라이브러리의 기본 인터랙티브 기능(드래그, 줌)이 모바일이나 웹 대시보드 환경에서 오히려 사용성을 크게 해친다는 점이었습니다. 마우스 휠이나 스크롤 시 그래프가 의도치 않게 날아가 버리는 현상을 제어하기 위해, 아래와 같이 Plotly의 레이아웃 속성을 고정하는 방식을 적용했습니다. Python# Plotly 그래프 줌/드래그 원천 차단 및 레이아웃 고정 핵심 코드fig_eff.update_layout(title="연비 트렌드 및 차량 이슈 (화면 고정)",hovermode='closest',dragmode=False, # 드래그 차단xaxis=dict(tickformat="%Y년 %m월 %d일", fixedrange=True), # X축 줌 차단yaxis=dict(fixedrange=True) # Y축 줌 차단)# config 설정을 통해 상단 메뉴바 숨김 처리st.plotly_chart(fig_eff, use_container_width=True, config={'displayModeBar': False}) 단순한 데이터 입출력뿐만 아니라, Streamlit의 session_state를 활용한 상태 관리와 Supabase 연동 로직도 함께 포함되어 있습니다. 구체적인 컴포넌트 간의 작동 원리나 전체 아키텍처, 그리고 상세한 소스 코드는 아래 영상과 깃허브에 정리해 두었습니다.데이터 시각화 대시보드 구축에 관심 있으신 분들께 도움이 되기를 바랍니다.🔗 GitHub 소스 코드: https://github.com/gohard-lab/driving_dashboard▶ 구체적인 작동 원리 및 개발 과정 : https://youtu.be/uVhkTbIp7rg

차계부･차량관리･자동차유지비･연비･전비･데이터분석･파이썬･코딩･스트림릿･Python

0

파이썬 Streamlit으로 내 차 유지비 시뮬레이터 만들기 (M2 vs 클리오 편) 💻

안녕하세요! 파이썬으로 재미있는 실생활 데이터를 분석하는 개발자입니다.파이썬 기초를 떼고 나서 토이 프로젝트를 고민하시는 분들을 위해, 누구나 쉽게 웹 대시보드를 띄울 수 있는 Streamlit 활용법을 코드로 공유해 드립니다.진짜 현실 데이터를 반영한 코드 짜기 보통 교과서적인 튜토리얼에서는 연비 계산만 하지만, 실제 차량 유지비는 그런 탁상공론과는 다릅니다. 2019년식 BMW M2 컴페티션 같은 차량은 고급 소모품 비용이 크고, 2020년식 르노 클리오는 또 다른 정비 주기가 존재하죠.이런 현실적인 변수를 사용자가 웹에서 직접 입력할 수 있게 만든 핵심 코드입니다. 한번 복사해서 실행해 보세요!Pythonimport streamlit as st st.title("나만의 자동차 유지비 계산기") # 두 차량의 현실적인 데이터 입력받기 st.write("2019 BMW M2 Competition 설정") m2_oil = st.number_input("M2 엔진오일 비용", value=300000) st.write("2020 Renault Clio 설정") clio_oil = st.number_input("클리오 엔진오일 비용", value=100000) st.success("이제 이 변수들로 그래프를 그려보면 됩니다!") 배포할 땐 pyproject.toml을 쓰세요 완성된 코드를 서버에 올릴 때 옛날 방식인 requirements.txt를 쓰면 에러가 자주 납니다. 요즘 대세인 pyproject.toml을 설정 파일로 쓰시면 훨씬 세련되고 안전하게 배포하실 수 있습니다.Ini, TOML[project] name = "my-streamlit-app" dependencies = ["streamlit"] 파이썬으로 웹 대시보드를 완성해 나가는 전체 과정과 완성된 시뮬레이터 화면은 아래 영상에 아주 차분하게 담아두었습니다. 코드를 직접 따라 쳐보시면서 파이썬의 재미를 느껴보시길 바랍니다!👉https://youtu.be/VQUF9oDzWf8

웹 개발･파이썬･스트림릿･토이프로젝트･파이썬입문･데이터분석

0