Proyecto ATKINS: distinguir imágenes reales de generadas por IA

🚀 Parte 1: Guía de Instalación (Nivel 1º Bachillerato)

Esta guía explica paso a paso cómo preparar tu ordenador, instalar las librerías necesarias y poner en marcha el experimento interactivo en tu navegador.

📋 Requisitos Previos

Antes de empezar, asegúrate de tener instalado:

1. Python (Versión 3.10 o superior): Disponible en python.org. (Durante la instalación en Windows, marca la casilla “Add Python to PATH”).
2. Visual Studio Code (o cualquier editor de código utilizado en clase).

🛠️ Paso 1: Crear la estructura de carpetas

Abre la terminal (o símbolo del sistema) y crea la carpeta para el proyecto. La estructura debe quedar exactamente así para que el programa encuentre las imágenes:

Plaintext

proyecto-atkins/
│
├── dataset_base/
│   ├── reales/       <-- Fotos de cámaras reales (.jpg o .png)
│   ├── ia_local/     <-- Imágenes de IA básica/local (SD-Turbo)
│   └── ia_nube/      <-- Imágenes de IA avanzada (Midjourney, FLUX, etc.)
│
└── app_atkins.py     <-- Código principal de Python

💡 Nota: Guarda al menos 10 o 15 imágenes en cada una de las tres carpetas dentro de dataset_base para que el detector tenga suficientes datos.

📦 Paso 2: Crear el entorno virtual e instalar librerías

Abre la terminal dentro de la carpeta proyecto-atkins:

1. Crear y activar un entorno virtual:
   • En Windows:
     Bashpython -m venv venv venv\Scripts\activate
   • En Mac / Linux:
     Bashpython3 -m venv venv source venv/bin/activate
   (Aparecerá (venv) al principio de la línea de comandos, indicando que el entorno está activo).
2. Instalar las librerías necesarias:
   Ejecuta el siguiente comando:
   Bashpip install fastapi uvicorn opencv-python scikit-learn numpy pillow python-multipart ¿Qué hace cada librería?
   • fastapi y uvicorn: Crean la página web y el servidor local.
   • opencv-python y pillow: Analizan y miden los píxeles de las imágenes.
   • scikit-learn y numpy: Ejecutan el algoritmo de Inteligencia Artificial (Random Forest) y los cálculos matemáticos.
   • python-multipart: Permite subir fotos a la web desde tu ordenador.

📝 Paso 3: Guardar el código

Crea el archivo app_atkins.py dentro de la carpeta proyecto-atkins, pega el código corregido de la aplicación y guarda los cambios (Ctrl + S / Cmd + S).

⚡ Paso 4: Arrancar la aplicación

Con el entorno virtual activo, ejecuta en la terminal:

Bash

python app_atkins.py

La terminal mostrará un mensaje confirmando que el servidor está en ejecución:

Plaintext

INFO:     Started server process
INFO:     Uvicorn running on http://0.0.0.0:8079 (Press CTRL+C to quit)

🌐 Paso 5: Abrir la experiencia interactiva

1. Abre tu navegador web (Chrome, Firefox, Edge, Safari).
2. Entra en la dirección: http://localhost:8079
3. Realiza el Paso 1 (Entrenar), el Paso 2 (Probar la trampa con la IA Nube) y prueba subir tus propias imágenes en la Fase 3.

⚠️ Resolución de errores comunes

• Error: ModuleNotFoundError: No module named 'multipart'
  • Solución: Falta la librería de subida de archivos. Ejecuta pip install python-multipart.
• Error: No hay imágenes en dataset_base/...
  • Solución: Comprueba que las carpetas reales, ia_local e ia_nube contengan fotos en formato .jpg o .png.
• Detener el servidor: Presiona Ctrl + C en la terminal.

🧠 Parte 2: Explicación y Fundamentos Teóricos del Proyecto ATKINS

¿Cómo “ve” una Inteligencia Artificial y por qué es tan fácil engañarla?

En la era del contenido sintético, surge una pregunta clave: ¿Es posible construir un detector infalible de imágenes generadas por IA?

El Proyecto ATKINS demuestra de forma práctica un fenómeno crucial en el aprendizaje automático: el Desplazamiento de Dominio (Domain Shift). A través de este experimento, se pone al descubierto que la visión por computador no “entiende” conceptos visuales como un ser humano, sino que clasifica patrones estadísticos numéricos.

📁 Estructura del Experimento: Los 3 Paquetes de Imágenes

Para evaluar el modelo, el dataset se divide en tres categorías:

• Paquete 1: Fotos Reales (15 imágenes): Fotografías capturadas con cámaras físicas. Tienen ruido térmico, imperfecciones ópticas, iluminación natural y grano del sensor.
• Paquete 2: IA Local (15 imágenes): Imágenes generadas en entorno local con modelos veloces (como Stable Diffusion Turbo). Contienen patrones matemáticos repetitivos en sus bordes y frecuencias de color.
• Paquete 3: IA de la Nube (15 imágenes): Imágenes hiperrealistas producidas por modelos de frontera avanzados (FLUX.1, Midjourney v6). Sus texturas y detalles ópticos son indistinguibles de una foto real para el ojo humano.

🧪 El Experimento Guiado Paso a Paso

El recorrido interactivo demuestra el proceso de aprendizaje a través de tres fases:

Paso 1: Entrenamiento en Entorno Controlado

El sistema analiza únicamente el Paquete 1 (Reales) y el Paquete 2 (IA Local). Un modelo de Random Forest (Bosque Aleatorio) memoriza sus diferencias numéricas.

• Resultado: El modelo alcanza cerca del 100% de precisión distinguiendo estas dos carpetas.

Paso 2: La Trampa del Desplazamiento de Dominio

Se le presenta al detector el Paquete 3 (IA de la Nube), imágenes de alta calidad que nunca ha visto.

• El fallo: El detector clasifica la gran mayoría de estas imágenes generadas por IA como “REALES”.
• Causa: El detector no reconoce qué es un objeto o una persona; solo detectó las imprecisiones de compresión de la IA local (Paquete 2). Al evaluar las imágenes de la Nube —con mayor definición y sin dichos defectos— concluye matemáticamente que pertenecen al mundo real.

Paso 3: Prueba Libre (Sandbox)

Permite subir cualquier archivo desde el navegador para recibir un diagnóstico en tiempo real con el porcentaje de confianza del algoritmo.

🛠️ Arquitectura Técnica

El sistema combina procesamiento de visión artificial con un servidor web asíncrono:

1. Extracción de Características Visuales (OpenCV):Cada imagen se convierte en un vector numérico de métricas clave:
   • Varianza del Laplaciano: Mide la nitidez y el enfoque global.
   • Estadísticos RGB: Media y desviación estándar de los canales de color.
   • Densidad de Bordes (Canny): Mide la densidad de la textura y la presencia de bordes duros.
   Pythonlaplacian_var = cv2.Laplacian(gray, cv2.CV_64F).var() canny_density = np.sum(cv2.Canny(gray, 100, 200) > 0) / (512 * 512)
2. Clasificación y Servidor (FastAPI + Scikit-Learn):
   • Backend:FastAPI gestiona los endpoints asíncronos (/v1/train, /v1/evaluate_nube, /v1/predict).
   • Pipeline de ML: Se utiliza un StandardScaler junto a un RandomForestClassifier de 50 árboles.
   • Frontend: Interfaz estática (HTML5/CSS3/JavaScript) que realiza peticiones asíncronas y renderiza los resultados en pantalla.

Los detectores basados en características superficiales no identifican la autenticidad real de una imagen, sino las huellas específicas del modelo concreto con el que fueron entrenados. A medida que los generadores de IA evolucionan y corrigen sus artefactos visuales, los clasificadores entrenados con modelos anteriores pierden efectividad.