The title slide, titled "Portada," announces "¡Cazando Deepfakes!"—an advanced system for classifying real faces and those generated by AI. It credits authors Luis Ballester Tamarit and Álvaro Tébar Folch from Universidad Europea de Valencia for the Image and Video Analysis course in 2025-2026.

¡Cazando Deepfakes!

Sistema Avanzado de Clasificación de Rostros Reales y Generados por IA

Luis Ballester Tamarit · Álvaro Tébar Folch Universidad Europea de Valencia Asignatura: Análisis de Imágenes y Vídeos Curso 2025-2026

Deepfakes are AI-manipulated videos and images that proliferate on social media, spreading disinformation. The slide's objective is an advanced Machine Learning system to classify real versus generated faces.

Introducción

• Los deepfakes son videos e imágenes manipulados por IA.
• Proliferan en redes sociales, generando desinformación.
• Objetivo: clasificar rostros reales vs. generados usando ML.
• Sistema avanzado para detección mediante Machine Learning.

Source: Documento proporcionado

Deepfakes spread massive disinformation, fake news, fraud, identity theft, and cyberattacks while threatening public safety, trust, and social stability. Reliable, fast, and precise detectors are needed to mitigate their profound ethical and social impacts.

Motivación

• Deepfakes propagan desinformación masiva y noticias falsas.
• Facilitan fraudes, suplantación de identidad y ciberataques.
• Amenazan seguridad pública, confianza y estabilidad social.
• Necesidad de detectores fiables, rápidos y precisos.
• Mitigan impactos éticos y sociales profundos.

The slide introduces a Kaggle dataset (2024) with 140,000 real and fake face images, ideal for training deepfake detection models. Real faces are sourced from LFW and others, fake ones are StyleGAN-generated, in a balanced RGB 128x128 pixel format.

Dataset

Source: Kaggle, 2024

The slide "Modelos Implementados" compares a baseline custom CNN with moderate ~85% accuracy, slow training, and low inference speed. In contrast, YOLOv8-cls offers state-of-the-art >95% accuracy, ultra-fast inference (ms per image), and optimization for real vs. deepfake face classification.

Modelos Implementados

Source: Basado en el documento del proyecto

The "Entrenamiento" timeline slide outlines four phases of model training: dataset division (80% train, 10% validation, 10% test), evaluation metrics (accuracy, precision, recall, F1-score), iterative training to optimize neural weights, and validation for performance and generalization. It emphasizes robust evaluation and optimization throughout the process.

Entrenamiento

Fase 1: División del Dataset Dataset dividido: 80% Train, 10% Valid, 10% Test para evaluación robusta. Fase 2: Métricas de Evaluación Accuracy, precision, recall y F1-score para medir rendimiento del modelo. Fase 3: Proceso de Entrenamiento Entrenamiento iterativo con datos Train para optimizar pesos neuronales. Fase 4: Validación y Objetivos Maximización de rendimiento y generalización mediante monitoreo en Valid.

YOLOv8 achieves 98% precision, outperforming the baseline CNN model at 92%. Inference time is 50 ms per image.

Resultados

• 98%: Precisión YOLOv8

vs. CNN 92%

• 92%: Precisión CNN

Modelo baseline

• 50 ms: Tiempo Inferencia

Por imagen Source: Proyecto Deepfakes UEV

The slide "Visualizaciones" displays a confusion matrix with TP, TN, FP, and FN metrics. It also shows accuracy/loss curves over epochs and graphs highlighting YOLOv8's superior performance.

Visualizaciones

!Image

• Matriz de confusión: TP, TN, FP, FN.
• Curvas de accuracy/loss por épocas.
• Gráficos ilustran superioridad de YOLOv8.

Source: Entrenamiento YOLOv8

The "Mejoras Futuras" slide outlines planned enhancements for the project. It includes diversifying datasets with FFHQ and CelebA, adding real-time video detection, and integrating Grad-CAM for decision visualization.

Mejoras Futuras

• Diversificar datasets incorporando FFHQ y CelebA.
• Implementar detección en tiempo real para videos.
• Integrar Grad-CAM para visualización de decisiones.

The slide concludes that YOLOv8 outperforms the baseline with optimal precision and speed. It calls for adopting advanced deepfake detection today.

Conclusiones

YOLOv8 supera baseline: precisión y velocidad óptimas.

¡Adopta detección avanzada contra deepfakes hoy!