PaddlePaddle实现的人脸识别模型MobileFaceNets，在预测的是使用MTCNN检测人脸

# MobileFaceNet 本项目参考了[ArcFace](https://arxiv.org/abs/1801.07698)的损失函数，同时参考了[PP-OCRv2](https://arxiv.org/abs/2109.03144)模型结构，意在开发一个模型较小，但识别准确率较高且推理速度快的一种人脸识别项目，该项目训练数据使用emore数据集，一共有85742个人，共5822653张图片，使用lfw-align-128数据集作为测试数据。 # 数据集准备 本项目提供了标注文件，存放在`dataset`目录下，解压即可。另外需要下载下面这两个数据集，下载完解压到`dataset`目录下。 - emore数据集[百度网盘](https://pan.baidu.com/s/1eXohwNBHbbKXh5KHyItVhQ) - lfw-align-128下载地址：[百度网盘](https://pan.baidu.com/s/1tFEX0yjUq3srop378Z1WMA) 提取码：b2ec 然后执行下面命令，将提取人脸图片到`dataset/images`，并把整个数据集打包为二进制文件，这样可以大幅度的提高训练时数据的读取速度。 ```shell python create_dataset.py ``` # 训练 执行`train.py`即可，更多训练参数请查看代码。 ```shell python train.py ``` 训练输出如下： ``` [2021-11-03 15:18:28.813591] Train epoch 9, batch: 6100/90979, loss: 1.215695, accuracy: 0.859375, lr: 0.000107, eta: 5 days, 5:28:26 [2021-11-03 15:18:37.044353] Train epoch 9, batch: 6200/90979, loss: 0.908210, accuracy: 0.859375, lr: 0.000107, eta: 5 days, 6:35:02 [2021-11-03 15:18:45.229030] Train epoch 9, batch: 6300/90979, loss: 0.964092, accuracy: 0.875000, lr: 0.000107, eta: 5 days, 9:17:21 [2021-11-03 15:18:53.449567] Train epoch 9, batch: 6400/90979, loss: 1.208947, accuracy: 0.828125, lr: 0.000107, eta: 5 days, 12:41:06 [2021-11-03 15:19:01.682437] Train epoch 9, batch: 6500/90979, loss: 1.081449, accuracy: 0.875000, lr: 0.000107, eta: 5 days, 10:29:44 [2021-11-03 15:19:09.895995] Train epoch 9, batch: 6600/90979, loss: 1.277803, accuracy: 0.828125, lr: 0.000107, eta: 5 days, 12:29:05 [2021-11-03 15:19:18.086872] Train epoch 9, batch: 6700/90979, loss: 1.308692, accuracy: 0.828125, lr: 0.000107, eta: 5 days, 7:23:03 [2021-11-03 15:19:26.306897] Train epoch 9, batch: 6800/90979, loss: 1.474561, accuracy: 0.781250, lr: 0.000107, eta: 5 days, 8:20:23 [2021-11-03 15:19:34.528685] Train epoch 9, batch: 6900/90979, loss: 1.295028, accuracy: 0.812500, lr: 0.000107, eta: 5 days, 5:54:56 [2021-11-03 15:19:42.736712] Train epoch 9, batch: 7000/90979, loss: 1.474828, accuracy: 0.812500, lr: 0.000107, eta: 5 days, 8:32:33 ``` # 评估 执行`eval.py`即可，更多训练参数请查看代码。 ```shell python eval.py ``` # 预测 本项目已经不教提供了模预测，模型文件可以直接用于预测。在执行预测之前，先要在face_db目录下存放人脸图片，每张图片只包含一个人脸，并以该人脸的名称命名，这建立一个人脸库。之后的识别都会跟这些图片对比，找出匹配成功的人脸。。这里使用的人脸检测是MTCNN模型，这个模型具有速度快，模型小的特点，源码地址：[PaddlePaddle-MTCNN](https://github.com/yeyupiaoling/PaddlePaddle-MTCNN) 如果是通过图片路径预测的，请执行下面命令。 ```shell python infer.py --image_path=temp/test.jpg ``` 日志输出如下： ``` 人脸检测时间：45ms 人脸识别时间：6ms 人脸对比结果： [('杨幂', 0.61594474), ('迪丽热巴', 0.37707973)] 人脸对比结果： [('迪丽热巴', 0.7290128), ('杨幂', 0.3993025)] 预测的人脸位置： [[156, 80, 214, 135, 1], [269, 67, 327, 121, 1]] 识别的人脸名称： ['杨幂', '迪丽热巴'] 总识别时间：53ms ```  如果是通过相机预测的，请执行下面命令。 ```shell python infer_camera.py --camera_id=0 ```