Face_Pytorch

2019.07.14
Derzeit habe ich meinen Abschluss auf dem Campus gemacht und eine andere Art von Job gemacht. Dieses Projekt kann also nicht erneut aktualisiert werden.

Face_pytorch

Die Implementierung der beliebten Gesichtserkennungsalgorithmen im Pytorch -Framework, einschließlich Arcface, Cosface und Sphereface usw.

Alle Codes werden auf Pytorch 0.4.0 mit Python 3.6, Ubuntu 16.04.10, CUDA 9,1 und CUDNN 7.1 bewertet. Teilweise auf Pytorch 1.0 bewertet.

Datenvorbereitung

Für das CNN-Training verwende ich Casia-Webface und reinigte MS-Celeb-1M, die von MTCNN mit der Größe von 112x112 ausgerichtet sind. Für Leistungstests melde ich die Ergebnisse auf LFW, AGEDB-30, CFP-FP, Megaface Rank1-Identifizierung und -überprüfung.

Für AGEDB-30 und CFP-FP werden die ausgerichteten Bilder und Bewertungsbilder aus der von Insightface bereitgestellten MXNET-Binärdatei wiederhergestellt. In diesem Repository sind Tools verfügbar. Sie sollten zuerst eine MXNET-CPU für die Bildanalyse installieren. Wenn Sie nur " Pip install mxnet " tun, ist dies in Ordnung.
Lfw @ baidunetdisk, agedb-30 @ baidunetdisk, cfp_fp @ baidunetdisk

Ergebnisse

MobileFacenet: Strudel, die in MobileFacenet beschrieben wird
Resnet50: Original resnet Struktur
Resnet50-IR: CNN in Arcface-Papier beschrieben
Seresnet50-IR: CNN in Arcface Paper beschrieben

Überprüfungsergebnisse auf LFW, AGEDB-30 und CFP_FP

Kleines Protokoll: Ausgebildet mit Casia-Webface der Datengröße: 453580/10575
Großes Protokoll: Ausgebildet mit DeepGlint MS-Celeb-1m der Datengröße: 3923399/86876

Modelltyp	Verlust	Lfw	Alterb-30	CFP-FP	Modellgröße	Protokoll
MobileFacenet	Bogenface	99.23	93.26	94.34	4mb	klein
Resnet50-ir	Bogenface	99.42	94.45	95.34	170 MB	klein
Seresnet50-ir	Bogenface	99.43	94.50	95.43	171MB	klein
MobileFacenet	Bogenface	99,58	96,57	92.90	4mb	groß
Resnet50-ir	Bogenface	99,82	98.07	95.34	170 MB	groß
Seresnet50-ir	Bogenface	99,80	98.13	95.60	171MB	groß
Resnet100-ir	Bogenface	99,83	98,28	96.41	256 MB	groß

Es gibt eine merkwürdige Tatsache, dass beim Training unter kleinem Protokoll CFP-FP-Leistungen besser als AGEDB-30, während beim Training mit großen Datensatz CFP-FP-Leistungen schlechter als AGEDB-30.

Megaface Rang 1 Identifiaction-Genauigkeit und -verfikation@FPR = 1E-6 Ergebnisse

Modelltyp	Verlust	MF ACC.	Mf ver.	Mf acc.@R	Mf Ver.@R	GRÖSSE	Protokoll
MobileFacenet	Bogenface	69.10	84.23	81.15	85,86	4mb	klein
Resnet50-ir	Bogenface	74.31	88.23	87.44	89,56	170 MB	klein
Seresnet50-ir	Bogenface	74.37	88.32	88.30	89,65	171MB	klein
MobileFacenet	Bogenface	74,95	88.77	89.47	91.03	4mb	groß
Resnet50-ir	Bogenface	79,61	96.02	96,58	96,78	170 MB	groß
Seresnet50-ir	Bogenface	79,91	96.10	97.01	97.60	171MB	groß
Resnet100-ir	Bogenface	80.40	96,94	97.60	98.05	256 MB	groß

Verwendung

1. Laden Sie den Quellcode in Ihren Computer herunter.
2. Bereiten Sie den Zugdatensatz und die Zugliste vor, testen Sie Datensatz- und Testverifizierungspaare.
3. Stellen Sie Ihren eigenen Datensatzpfad und alle anderen Parameter in Train.py fest.
4. FAAR.PY -Datei rühren, die Testgenauigkeit wird während des Trainingsprozesses in eine Protokolldatei in die Protokolldatei gedruckt.

---

5. Jede Evaluse -Datei kann unabhängig für den Modelltestprozess funktionieren. Legen Sie einfach Ihre eigenen Argumente in die Datei ein.

Visualisierung

Visom -Unterstützung für Verlust und Genauigkeit während des Schulungsprozesses.

Softmax -Verlust gegen Softmax_Center -Verlust. Links: Softmax -Trainingset. Rechts: Softmax + Center Loss Training Set.

Referenzen

Mugelwang/cosface_pytorch
Xiaoccer/Mobilfacenet_pytorch
Treb1en/Insightface_PyTorch
DeepInsight/Insightface
Kaiyangzhou/Pytorch-Center-Loss
Tengshaofeng/ResidualAtentionNetwork-Pytorch

Todo

1. Melden Sie die Testergebnisse der DeepGlint -Billionen -Paare Herausforderung.
2. Fügen Sie C ++ - API für die schnelle Bereitstellung mit Pytorch 1.0 hinzu.
3. Trainieren Sie das rESNET100-basierte Modell.