Immagine del volto
Ripresa da classificare come real oppure spoof, comprese presentazioni attraverso fotografie, telefoni e tablet.
Computer Vision
Immagine illustrativaIL PROGETTO IN DETTAGLIO
Contesto e obiettivo.
Il progetto, completato nel gennaio 2026, riguardava un livello di sicurezza per piattaforme e applicazioni mobili che utilizzano il volto nei flussi di accesso o sblocco. Il compito era distinguere un volto reale da una sua rappresentazione mostrata alla telecamera: una fotografia oppure un’immagine riprodotta sullo schermo di un altro telefono o tablet.
Ho seguito il confronto dei modelli, l’addestramento e la preparazione della versione destinata ai dispositivi. Il lavoro ha portato a un modello MobileNet personalizzato, convertito in TensorFlow Lite e messo in servizio dal cliente. L’applicazione che lo integra è utilizzata da oltre 10.000 utenti ogni giorno.
Il problema da risolvere.
Un’immagine di un volto può sembrare pertinente al sistema anche quando proviene da un supporto presentato alla telecamera. Il problema da affrontare era classificare queste presentazioni come real oppure spoof, riconoscendo la differenza fra il volto ripreso e la sua rappresentazione su carta o schermo. Il progetto si concentrava su questa distinzione all’interno del livello di sicurezza dell’applicazione.
La prima valutazione sul dataset del cliente aveva mostrato un limite concreto: i modelli pubblici provati si fermavano a un’accuratezza intorno al 60%. Questo valore descriveva il comportamento sul materiale e sul compito considerati. Serviva adattare il modello agli esempi disponibili e verificare se un addestramento dedicato potesse migliorare la classificazione.
Il risultato doveva inoltre essere integrabile su dispositivi mobili. La scelta tecnica richiedeva quindi attenzione sia alla qualità delle decisioni sia alla leggerezza e alla velocità del modello. Il progetto comprendeva anche la gestione riservata delle immagini, provenienti da dataset commerciali acquistati e da materiale fornito dal cliente.
Come ho affrontato il progetto.
Ho confrontato più architetture, tra cui MobileNet ed EfficientNet, sul problema real/spoof del cliente. Il lavoro di addestramento ha coinvolto oltre 500.000 fotografie ed è stato sviluppato in tre cicli. Questa preparazione ha permesso di valutare i modelli personalizzati rispetto al punto di partenza e di scegliere il candidato più adatto alla distribuzione prevista.
MobileNet è stato selezionato per il risultato ottenuto, insieme alle sue caratteristiche di leggerezza e rapidità per il contesto mobile. La versione personalizzata ha raggiunto il 99% di accuratezza nella valutazione del progetto. Ho poi convertito il modello in TensorFlow Lite, collegando il lavoro di sviluppo alla sua integrazione sui dispositivi del cliente.
IL FUNZIONAMENTO
Dai dati al risultato.
Modello MobileNet
Il modello personalizzato distingue le due classi nel compito definito con il cliente.
Integrazione mobile
La versione TensorFlow Lite è distribuita sui dispositivi all’interno dell’applicazione del cliente.
Schema descrittivo del flusso di lavoro del progetto.
03 / SVILUPPO
Le fasi del progetto.
4 fasi, dalla preparazione iniziale agli strumenti da consegnare.
01FASE
Analisi del compito e confronto dei modelli
Ho impostato il confronto intorno alle due classi richieste: immagini reali e immagini spoof presentate tramite fotografia, telefono o tablet. Il materiale del cliente è stato il riferimento per capire quanto le soluzioni iniziali riuscissero a distinguere le situazioni previste.
Il risultato intorno al 60% dei modelli pubblici valutati ha fornito il punto di partenza. Ho confrontato anche architetture come MobileNet ed EfficientNet, mantenendo collegati il risultato della classificazione e i requisiti di un modello da usare su dispositivi mobili.
- Confronto sul dataset e sul compito del cliente
- Valutazione di MobileNet, EfficientNet e altre architetture
02FASE
Preparazione del materiale e tre cicli di addestramento
Il lavoro ha utilizzato oltre 500.000 fotografie, ottenute da dataset commerciali acquistati e dal materiale condiviso dal cliente. Le immagini sono state gestite nel rispetto della riservatezza del progetto, mantenendo il loro utilizzo collegato all’addestramento e alla valutazione richiesti.
Ho svolto tre cicli di addestramento, lavorando sulla classificazione real/spoof con i modelli considerati. Il percorso ha permesso di confrontare soluzioni effettivamente adattate ai dati del progetto, invece di basare la scelta soltanto sul comportamento dei modelli pubblici disponibili inizialmente.
- Oltre 500.000 immagini per il lavoro sui modelli
- Tre cicli di addestramento del sistema
03FASE
Selezione di MobileNet e valutazione del risultato
La scelta finale è ricaduta su MobileNet, che nel lavoro svolto ha offerto il risultato più adatto in termini di accuratezza, leggerezza e velocità. Il confronto fra architetture ha quindi portato a una decisione legata sia ai dati sia all’ambiente di utilizzo.
Il modello personalizzato ha raggiunto il 99% di accuratezza nella valutazione del progetto, rispetto al riferimento iniziale intorno al 60%. Le due misure raccontano il miglioramento sul caso affrontato: il risultato è riferito al materiale del cliente e alle presentazioni considerate nel lavoro.
- MobileNet selezionato dopo il confronto dei modelli
- 99% di accuratezza nella valutazione del progetto
04FASE
Conversione TensorFlow Lite e utilizzo sui dispositivi
Ho convertito il modello selezionato in TensorFlow Lite per permetterne l’integrazione sui dispositivi mobili del cliente. Questa fase ha trasformato il risultato dell’addestramento in una componente utilizzabile all’interno dell’applicazione, completando il percorso dal confronto iniziale alla distribuzione.
Il modello è ora in servizio sui dispositivi del cliente. L’applicazione che lo contiene viene utilizzata da oltre 10.000 utenti ogni giorno. La consegna ha quindi portato il lavoro di addestramento dentro un servizio disponibile all’utenza, con una versione del modello preparata per l’ambiente mobile.
- Modello convertito nel formato TensorFlow Lite
- Soluzione integrata e operativa sui dispositivi del cliente
04 / RISULTATI E CONSEGNA
Il risultato del lavoro.
Il progetto si è concluso con un modello di anti-spoofing personalizzato, distribuito dal cliente per il proprio servizio mobile. La soluzione distingue le immagini real dalle presentazioni spoof considerate nel lavoro e costituisce una componente del sistema di sicurezza dell’applicazione.
Il valore della consegna comprende il confronto tecnico, i tre cicli di addestramento, la selezione del modello e la conversione per i dispositivi. Il risultato sul dataset del progetto e l’utilizzo attuale dell’app descrivono due aspetti distinti della stessa collaborazione: la qualità ottenuta nella valutazione e la disponibilità della soluzione nel servizio del cliente.
- Classificazione real/spoof adattata ai dati del cliente
- Modello leggero selezionato per il contesto mobile
- Percorso completo dall’addestramento alla distribuzione
- Integrazione in un’applicazione utilizzata quotidianamente
Il 99% si riferisce alla valutazione sui dati del progetto. Gli oltre 10.000 utenti giornalieri descrivono l’utilizzo dell’applicazione, non il numero di verifiche del volto.
ALTRI CASI STUDIO
Progetti nello stesso ambito.
Computer Vision
Immagine illustrativaPochi mslatenza di risposta nei test
Un robot che insegue un fascio di luce in pochi millisecondi
Visione robotica: fasci di luce e controllo del movimento
Computer Vision
Immagine illustrativaOperativosistema in uso presso il cliente
Videosorveglianza che segnala i movimenti sospetti in tempo reale
Videosorveglianza AI per supermercati
LA COLLABORAZIONE
Recensioni e feedback.
IL PROSSIMO PROGETTOParliamo del tuo
Parliamo del tuo progettoParliamo del tuo
progetto.
Descrivimi cosa vuoi ottenere e quali dati hai a disposizione. La prima call di 30 minuti è gratuita.