FaceNet pytorch版本

## Facenet：人脸识别模型在Pytorch当中的实现 --- ## 目录 1. [仓库更新 Top News](#仓库更新) 2. [相关仓库 Related code](#相关仓库) 3. [性能情况 Performance](#性能情况) 4. [所需环境 Environment](#所需环境) 5. [注意事项 Attention](#注意事项) 6. [文件下载 Download](#文件下载) 7. [预测步骤 How2predict](#预测步骤) 8. [训练步骤 How2train](#训练步骤) 9. [参考资料 Reference](#Reference) ## Top News **`2022-03`**:**进行了大幅度的更新，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。** BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/facenet-pytorch/tree/bilibili **`2021-02`**:**创建仓库，支持模型训练，大量的注释，多个可调整参数，lfw数据集评估等。** ## 相关仓库 | 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 | | :-----: | :-----: | :------: | :------: | :------: | | CASIA-WebFace | [facenet_mobilenet.pth](https://github.com/bubbliiiing/facenet-pytorch/releases/download/v1.0/facenet_mobilenet.pth) | LFW | 160x160 | 98.23% | | CASIA-WebFace | [facenet_inception_resnetv1.pth](https://github.com/bubbliiiing/facenet-pytorch/releases/download/v1.0/facenet_inception_resnetv1.pth) | LFW | 160x160 | 98.78% | ## 所需环境 pytorch==1.2.0 ## 文件下载 已经训练好的facenet_mobilenet.pth和facenet_inception_resnetv1.pth可以在百度网盘下载。 链接: https://pan.baidu.com/s/1K20hyxU_UgSej1eZWih0Ag 提取码:anv6 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 1. 下载完库后解压，在model_data文件夹里已经有了facenet_mobilenet.pth，可直接运行predict.py输入： ```python img\1_001.jpg img\1_002.jpg ``` 2. 也可以在百度网盘下载facenet_inception_resnetv1.pth，放入model_data，修改facenet.py文件的model_path后，输入： ```python img\1_001.jpg img\1_002.jpg ``` ### b、使用自己训练的权重 1. 按照训练步骤训练。 2. 在facenet.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**。 ```python _defaults = { "model_path" : "model_data/facenet_mobilenet.pth", "input_shape" : (160, 160, 3), "backbone" : "mobilenet", "cuda" : True, } ``` 3. 运行predict.py，输入 ```python img\1_001.jpg img\1_002.jpg ``` ## 训练步骤 1. 本文使用如下格式进行训练。 ``` |-datasets |-people0 |-123.jpg |-234.jpg |-people1 |-345.jpg |-456.jpg |-... ``` 2. 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。 3. 在训练前利用txt_annotation.py文件生成对应的cls_train.txt。 4. 利用train.py训练facenet模型，训练前，根据自己的需要选择backbone，model_path和backbone一定要对应。 5. 运行train.py即可开始训练。 ## 评估步骤 1. 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 2. 在eval_LFW.py设置使用的主干特征提取网络和网络权值。 3. 运行eval_LFW.py来进行模型准确率评估。 ## Reference https://github.com/davidsandberg/facenet https://github.com/timesler/facenet-pytorch