bubbliiiing/arcface-pytorch

Arcface：人脸识别模型在Pytorch当中的实现

Top News

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。

模型	路径
facenet	https://github.com/bubbliiiing/facenet-pytorch
arcface	https://github.com/bubbliiiing/arcface-pytorch
retinaface	https://github.com/bubbliiiing/retinaface-pytorch
facenet + retinaface	https://github.com/bubbliiiing/facenet-retinaface-pytorch

性能情况

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。）

所需环境

pytorch==1.2.0

文件下载

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

预测步骤

a、使用预训练权重

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

b、使用自己训练的权重

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

训练步骤

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。

评估步骤

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。

Reference

https://github.com/deepinsight/insightface
https://github.com/timesler/facenet-pytorch

bubbliiiing / arcface-pytorch