insight face +windows+anaconda+mxnet-test.py

最新推荐文章于 2025-05-28 14:57:47 发布

原创最新推荐文章于 2025-05-28 14:57:47 发布 · 4.9k 阅读

14 ·

CC 4.0 BY-SA版权

本文详细介绍如何使用InsightFace进行人脸识别与相似度测试。包括配置MxNet环境、下载并搭建InsightFace源码及预训练模型。通过修改Python脚本中的图片路径，即可实现两张人脸图片相似度的计算。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章：InsightFace: 2D and 3D Face Analysis Project

反正就是很牛的一篇文章，能找到我这里肯定知道。

①配置MxNet环境，见我另外一篇博文。https://blog.youkuaiyun.com/chapmancp/article/details/79767659

②下载insightface源码。https://github.com/deepinsight/insightface#test-on-megaface

③下载训练好的模型。https://pan.baidu.com/s/1jKahEXw

这个是LResNet34E-IR 模型。放到models下。要与下面test.py里面的model路径一致，当然你也可以改成你放model的位置。

④打开deploy\test.py

自己找两张人脸图片，修改两张图片路径，就可以测试他们的相似度啦。最后输出两个值，第二个就是相似度。

后来在windows上装了python3.6+pytorch0.40.原先的insight face是python2.7.里面的几个包需要修改一下。

其中一个是from easydict import EasyDict as edict

重新pip

另外一个是from itertools import izip

因为2.7中的izip就是3。6里面的zip，so把上面这句话注释掉，并添加 izip = zip

import face_embedding
import argparse
import cv2
import numpy as np


#args参数设置
parser = argparse.ArgumentParser(description='face model test')
# general
parser.add_argument('--image-size', default='112,112', help='')
parser.add_argument('--model', default='../models/model-r50-am-lfw/model,0', help='path to load model.')

#parser.add_argument('--model', default='../models/model-r34-amf/model,0', help='path to load model.')

parser.add_argument('--gpu', default=0, type=int, help='gpu id')
parser.add_argument('--det', default=2, type=int, help='mtcnn option, 2 means using R+O, else using O')
parser.add_argument('--flip', default=0, type=int, help='whether do lr flip aug')
parser.add_argument('--threshold', default=1.24, type=float, help='ver dist threshold')
args = parser.parse_args()

#根据args参数，初始化模型的class,
model = face_embedding.FaceModel(args)
#img = cv2.imread('/raid5data/dplearn/lfw/Jude_Law/Jude_Law_0001.jpg')

#计算第一个图片的特征,
img = cv2.imread('1.jpg')
f1 = model.get_feature(img)
#计算第二个图片的特征
img = cv2.imread('2.jpg')
f2 = model.get_feature(img)
#计算两张图片特征的差
dist = np.sum(np.square(f1-f2))
print(dist)
#计算两张图片相似度结果
sim = np.dot(f1, f2.T)
print(sim)
#diff = np.subtract(source_feature, target_feature)
#dist = np.sum(np.square(diff),1)