- 仓库更新 Top News
- 相关仓库 Related code
- 性能情况 Performance
- 所需环境 Environment
- 注意事项 Attention
- 文件下载 Download
- 预测步骤 How2predict
- 训练步骤 How2train
- 参考资料 Reference
2022-03:创建仓库，支持不同模型训练，支持大量可调整参数，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。
| 训练数据集 | 权值文件名称 | 测试数据集 | 输入图片大小 | accuracy | Validation rate |
|---|---|---|---|---|---|
| CASIA-WebFace | arcface_mobilenet.pth | LFW | 112x112 | 99.11% | 0.95033+-0.02152 @ FAR=0.00133 |
| CASIA-WebFace | arcface_mobilefacenet.pth | LFW | 112x112 | 98.78% | 0.91100+-0.01745 @ FAR=0.00100 |
| CASIA-WebFace | arcface_iresnet50.pth | LFW | 112x112 | 98.93% | 0.93100+-0.01422 @ FAR=0.00133 |
（arcface_mobilenet的准确度相比其它较高是因为使用了backbone的预训练权重，正在努力调参中。）
pytorch==1.2.0
已经训练好的权值可以在百度网盘下载。
链接: https://pan.baidu.com/s/1ElJlfmMwOGX699MsgLY8qA 提取码: z3rq
训练用的CASIA-WebFaces数据集以及评估用的LFW数据集可以在百度网盘下载。
链接: https://pan.baidu.com/s/1qMxFR8H_ih0xmY-rKgRejw 提取码: bcrq
- 下载完库后解压，可直接运行predict.py输入：
img\1_001.jpg
img\1_002.jpg- 也可以在百度网盘下载权值，放入model_data，修改arcface.py文件的model_path后，输入：
img\1_001.jpg
img\1_002.jpg- 按照训练步骤训练。
- 在arcface.py文件里面，在如下部分修改model_path和backbone使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，backbone对应主干特征提取网络。
_defaults = {
#--------------------------------------------------------------------------#
# 使用自己训练好的模型进行预测要修改model_path，指向logs文件夹下的权值文件
# 训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。
# 验证集损失较低不代表准确度较高，仅代表该权值在验证集上泛化性能较好。
#--------------------------------------------------------------------------#
"model_path" : "model_data/arcface_mobilefacenet.pth",
#--------------------------------------------------------------------------#
# 输入图片的大小。
#--------------------------------------------------------------------------#
"input_shape" : [112, 112, 3],
#--------------------------------------------------------------------------#
# 所使用到的主干特征提取网络，与训练的相同
#--------------------------------------------------------------------------#
"backbone" : "arcface_mobilefacenet",
#--------------------------------------#
# 是否进行不失真的resize
#--------------------------------------#
"letterbox_image" : True,
#--------------------------------------#
# 是否使用Cuda
# 没有GPU可以设置成False
#--------------------------------------#
"cuda" : True,
}- 运行predict.py，输入
img\1_001.jpg
img\1_002.jpg- 本文使用如下格式进行训练。
|-datasets
|-people0
|-123.jpg
|-234.jpg
|-people1
|-345.jpg
|-456.jpg
|-...
- 下载好数据集，将训练用的CASIA-WebFaces数据集以及评估用的LFW数据集，解压后放在根目录。
- 在训练前利用txt_annotation.py文件生成对应的cls_train.txt。
- 利用train.py训练模型，训练前，根据自己的需要选择backbone，model_path和backbone一定要对应。
- 运行train.py即可开始训练。
- 下载好评估数据集，将评估用的LFW数据集，解压后放在根目录
- 在eval_LFW.py设置使用的主干特征提取网络和网络权值。
- 运行eval_LFW.py来进行模型准确率评估。
https://github.com/deepinsight/insightface
https://github.com/timesler/facenet-pytorch