基于深度学习的人脸识别考勤系统，具备基础的人脸录入，人脸识别，考勤管理，课堂管理，班级管理，日志管理等功能

## Facenet：人脸识别模型在Keras当中的实现 --- ## 目录 1. [性能情况 Performance](#性能情况) 2. [所需环境 Environment](#所需环境) 3. [注意事项 Attention](#注意事项) 4. [文件下载 Download](#文件下载) 5. [预测步骤 How2predict](#预测步骤) 6. [训练步骤 How2train](#训练步骤) 7. [参考资料 Reference](#Reference) ## 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.h5](https://github.com/bubbliiiing/facenet-keras/releases/download/v1.0/facenet_mobilenet.h5) | LFW | 160x160 | 97.86% | | CASIA-WebFace | [facenet_inception_resnetv1.h5](https://github.com/bubbliiiing/facenet-keras/releases/download/v1.0/facenet_inception_resnetv1.h5) | LFW | 160x160 | 99.02% | ## 所需环境 tensorflow-gpu==1.13.1 keras==2.1.5 ## 文件下载 已经训练好的facenet_mobilenet.h5和facenet_inception_resnetv1.h5可以在百度网盘下载。 链接: https://pan.baidu.com/s/19tUjcBtC_5VlBqktFG_z0w 提取码: iq26 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/1fhiHlylAFVoR43yfDbi4Ag 提取码: gkch ## 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.h5，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.h5，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.h5", "input_shape" : [160,160,3], "backbone" : "mobilenet" } ``` 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。