开源人脸识别项目insightface_pytorch

insightface_pytorch主要做了以下几个方面的工作：

* 使用的相关算法

人脸检测： 由原来的retina改成了MTCNN，准确度差了不少
人脸对齐： 由原来的Dense U-Net改成了MTCNN
人脸识别： 当前可以支持mobilefacenet和resnet50-irse两种

* 提供了一个demo用于实现人脸实时识别

* 提供了数据转换模块，用于将MXNET数据格式的数据转换成pytorch支持的Image Dataforders

* 提供了模型训练模块

 

运行环境：

• python >= 3.6
• pytorch == 0.4.1

识别流程说明：

insightface_pytorch实现人脸识别包含两个步骤，第一步人脸检测和人脸对齐，第二步人脸识别

人脸检测（face detection）和人脸对齐（face alignment）：使用基于MTCNN网络的开源项目mtcnn-pytorch，经过实测比retina要差很多

人脸识别（face recognition）：人脸识别提供了多种模型mobilefacenet，retnet50-irse等网络的预训练模型和网络结构

 

预训练模型和准确率

IR-SE50 @ BaiduNetdisk, IR-SE50 @ Onedrive

LFW(%)	CFP-FF(%)	CFP-FP(%)	AgeDB-30(%)	calfw(%)	cplfw(%)	vgg2_fp(%)
0.9952	0.9962	0.9504	0.9622	0.9557	0.9107	0.9386

Mobilefacenet @ BaiduNetDisk, Mobilefacenet @ OneDrive

LFW(%)	CFP-FF(%)	CFP-FP(%)	AgeDB-30(%)	calfw(%)	cplfw(%)	vgg2_fp(%)
0.9918	0.9891	0.8986	0.9347	0.9402	0.866	0.9100

 

 

使用说明

1 Data Preparation

1.1 Prepare Facebank (For testing over camera or video)

Provide the face images your want to detect in the data/face_bank folder, and guarantee it have a structure like following:

data/facebank/
        ---> id1/
            ---> id1_1.jpg
        ---> id2/
            ---> id2_1.jpg
        ---> id3/
            ---> id3_1.jpg
           ---> id3_2.jpg

1.2 download the pretrained model to work_space/model

If more than 1 image appears in one folder, an average embedding will be calculated

1.3 Prepare Dataset ( For training)

download the refined dataset: (emore recommended)

• emore dataset @ BaiduDrive, emore dataset @ Dropbox
• More Dataset please refer to the original post

Note: If you use the refined MS1M dataset and the cropped VGG2 dataset, please cite the original papers.

• after unzip the files to 'data' path, run :

  python prepare_data.py
  

  after the execution, you should find following structure:

faces_emore/
            ---> agedb_30
            ---> calfw
            ---> cfp_ff
            --->  cfp_fp
            ---> cfp_fp
            ---> cplfw
            --->imgs
            ---> lfw
            ---> vgg2_fp

---

2 detect over camera:

2.1 download the desired weights to model folder:

• IR-SE50 @ BaiduNetdisk

• IR-SE50 @ Onedrive

• Mobilefacenet @ BaiduNetDisk

• Mobilefacenet @ OneDrive

2.2 to take a picture, run

python take_pic.py -n name

press q to take a picture, it will only capture 1 highest possibility face if more than 1 person appear in the camera

2.3 or you can put any preexisting photo into the facebank directory, the file structure is as following:

- facebank/
         name1/
             photo1.jpg
             photo2.jpg
             ...
         name2/
             photo1.jpg
             photo2.jpg
             ...
         .....
    if more than 1 image appears in the directory, average embedding will be calculated

2.4 to start

python face_verify.py 

---

3 detect over video:

​```
python infer_on_video.py -f [video file name] -s [save file name]
​```

the video file should be inside the data/face_bank folder

• Video Detection Demo @Youtube

3.4 Training:

​```
python train.py -b [batch_size] -lr [learning rate] -e [epochs]

# python train.py -net mobilefacenet -b 200 -w 4
​```

对于工程的理解，应该是重点改进点在recognition上面。 这里需要知道人脸识别的几个模块。detection, alignment, verification ,identification/recognition .  所以，本工程的重点算法的改进在于recognition。而其它的模块，比如detection,可能就直接使用MTCNN。 

对于工程的使用，主要是按照要求，组建好环境后，./recognition里 config.py里更改 dataset  ,数据集， batchsize与gpu个数相关，然后去dataset-zoo下载了数据集后，开始训练，这样就生成了model ,model的生成位置也是在config.py里配置。在训练的过程中，也看到了verification. 

如果你懒得去训练,直接使用pre-train model 。可以去文中讲的model-zoo里去下载； 认真点的，可以再使用verification.py

src/eval/verification.py验证其精度，不认真的，直接拿去使用吧。