Face_Pytorch

2019.07.14
Actuellement, j'ai obtenu mon diplôme du campus et je fais un autre type de travail. Ce projet peut donc ne plus être mis à jour.

Face_pytorch

La mise en œuvre d'algorithmes populaires de reconnaissance faciale dans Pytorch Framework, y compris ArcFace, Cosface et Sphereface, etc.

Tous les codes sont évalués sur Pytorch 0.4.0 avec Python 3.6, Ubuntu 16.04.10, CUDA 9.1 et CUDNN 7.1. Évalué partiellement sur Pytorch 1.0.

Préparation des données

Pour la formation CNN, j'utilise Casia-webface et nettoyé MS-Celeb-1M, aligné par MTCNN avec la taille de 112x112. Pour les tests de performance, je signale les résultats sur LFW, AgedB-30, CFP-FP, Megaface Rank1 Identification et vérification.

Pour AgedB-30 et CFP-FP, les paires d'images et d'images d'évaluation alignées sont restaurées à partir du fichier binaire MXNET fourni par Insightface, des outils sont disponibles dans ce référentiel. Vous devez d'abord installer un MXNET-CPU pour l'analyse de l'image, il suffit de « Pip Installer MXNET » est OK.
Lfw @ baidenetdisk, viedb-30 @ baitunetdisk, cfp_fp @ bainenetdisk

Résultats

MobileFacenet: Struture décrite dans MobileFacenet
RESNET50: Structure Resnet d'origine
RESNET50-IR: CNN décrit dans Arcface Paper
SERESNET50-IR: CNN décrit dans Arcface Paper

Résultats de vérification sur LFW, AgedB-30 et CFP_FP

Petit protocole: formé avec Casia-webface de la taille des données: 453580/10575
Grand protocole: formé avec Deepglint MS-Celeb-1M de la taille des données: 3923399/86876

Type de modèle	Perte	LFW	Vieilledb-30	CFP-FP	Taille du modèle	protocole
Mobilefacenet	Surface arc	99.23	93.26	94.34	4 Mo	petit
Resnet50-ir	Surface arc	99.42	94.45	95.34	170 Mo	petit
Seresnet50-ir	Surface arc	99.43	94.50	95.43	171 Mo	petit
Mobilefacenet	Surface arc	99,58	96.57	92.90	4 Mo	grand
Resnet50-ir	Surface arc	99.82	98.07	95.34	170 Mo	grand
Seresnet50-ir	Surface arc	99.80	98.13	95.60	171 Mo	grand
Resnet100-ir	Surface arc	99.83	98.28	96.41	256 Mo	grand

Il existe un résultat étrange que lors de la formation sous un petit protocole, les performances CFP-FP sont mieux que les AgedB-30, tandis que lors de la formation avec un ensemble de données à grande échelle, les performances CFP-FP sont pires qu'AmedB-30.

MEGAFACE RANK 1 EXACTION d'identification et Verfication @ FPR = 1E-6 Résultats

Type de modèle	Perte	MF ACC.	Mf ver.	Mf acc. @ R	Mf ver. @ R	TAILLE	protocole
Mobilefacenet	Surface arc	69.10	84.23	81.15	85.86	4 Mo	petit
Resnet50-ir	Surface arc	74.31	88.23	87.44	89.56	170 Mo	petit
Seresnet50-ir	Surface arc	74.37	88.32	88.30	89,65	171 Mo	petit
Mobilefacenet	Surface arc	74.95	88.77	89.47	91.03	4 Mo	grand
Resnet50-ir	Surface arc	79.61	96.02	96.58	96.78	170 Mo	grand
Seresnet50-ir	Surface arc	79.91	96.10	97.01	97.60	171 Mo	grand
Resnet100-ir	Surface arc	80.40	96.94	97.60	98.05	256 Mo	grand

Usage

1. Téléchargez le code source sur votre machine.
2. Préparez l'ensemble de données de train et la liste des trains, testez l'ensemble de données et les paires de vérification de test.
3. Définissez votre propre chemin de jeu de données et tout autre paramètre dans Train.py.
4. Exécuter le fichier Train.py, la précision du test s'imprimera dans le fichier journal pendant le processus de formation.

---

5. Chaque fichier d'évaluation peut fonctionner de manière indépendante pour le processus de test du modèle. Définissez simplement vos propres args dans le fichier.

Visualisation

Visdom Soutien pour la perte et la précision pendant le processus de formation.

SoftMax Loss vs SoftMax_Center Perte. Gauche: ensemble de formation SoftMax. Droite: SoftMax + Center Loss Training Set.

Références

MUGLOWANG / COSFACE_PYTORCH
Xiaoccer / mobilefacenet_pytorch
Treb1en / insightface_pytorch
DeepInsight / Insightface
Kaiyangzhou / pytorch-center-loss
Tengshaofeng / résidualattingnetwork-pytorch

Faire

1. Signaler les résultats des tests sur le défi Deepglint Tillion Pairs.
2. Ajoutez une API C ++ pour un déploiement rapide avec Pytorch 1.0.
3. Former le modèle basé sur RESNET100.