Face_Pytorch

2019.07.14
Saat ini, saya telah lulus dari kampus dan melakukan pekerjaan lain. Jadi proyek ini mungkin tidak diperbarui lagi.

Face_pytorch

Implementasi algoritma pengenalan wajah populer dalam kerangka kerja Pytorch, termasuk arcface, cosface dan sphereface dan sebagainya.

Semua kode dievaluasi pada pytorch 0.4.0 dengan Python 3.6, Ubuntu 16.04.10, CUDA 9.1 dan Cudnn 7.1. Sebagian dievaluasi pada Pytorch 1.0.

Persiapan data

Untuk pelatihan CNN, saya menggunakan Casia-Webface dan membersihkan MS-Celeb-1m, disejajarkan oleh MTCNN dengan ukuran 112x112. Untuk pengujian kinerja, saya melaporkan hasil pada LFW, AGEDB-30, CFP-FP, identifikasi dan verifikasi Megaface Rank1.

Untuk AGEDB-30 dan CFP-FP, gambar yang disejajarkan dan pasangan evaluasi dipulihkan dari file biner MXNET yang disediakan oleh InsightFace, alat tersedia di repositori ini. Anda harus menginstal mxnet-cpu terlebih dahulu untuk parsing gambar, lakukan saja ' Pip Instal MXNet ' tidak apa-apa.
Lfw @ baidunetdisk, agedb-30 @ baidunetdisk, cfp_fp @ baidunetdisk

Hasil

MobileFacenet: Struture yang dijelaskan dalam MobileFacenet
Resnet50: Struktur Resnet Asli
Resnet50-IR: CNN dijelaskan dalam kertas arcface
Seresnet50-IR: CNN dijelaskan dalam kertas arcface

Hasil Verifikasi pada LFW, AgedB-30 dan CFP_FP

Protokol Kecil: Dilatih dengan Casi-Webface Ukuran Data: 453580/10575
Protokol Besar: Dilatih dengan Deepglint MS-Celeb-1m Ukuran Data: 3923399/86876

Tipe model	Kehilangan	Lfw	Agedb-30	CFP-FP	Ukuran model	protokol
MobileFacenet	Arcface	99.23	93.26	94.34	4MB	kecil
Resnet50-ir	Arcface	99.42	94.45	95.34	170MB	kecil
Seresnet50-IR	Arcface	99.43	94.50	95.43	171MB	kecil
MobileFacenet	Arcface	99.58	96.57	92.90	4MB	besar
Resnet50-ir	Arcface	99.82	98.07	95.34	170MB	besar
Seresnet50-IR	Arcface	99.80	98.13	95.60	171MB	besar
ResNet100-IR	Arcface	99.83	98.28	96.41	256MB	besar

Ada fakta yang aneh bahwa ketika pelatihan di bawah protokol kecil, kinerja CFP-FP lebih baik daripada AgEDB-30, sedangkan saat pelatihan dengan dataset skala besar, kinerja CFP-FP lebih buruk daripada AgEDB-30.

MegaFace Rank 1 Identifiaction Accuracy and Verfication@FPR = 1E-6 Hasil

Tipe model	Kehilangan	MF ACC.	Mf ver.	MF ACC.@R.	Mf ver.@R	UKURAN	protokol
MobileFacenet	Arcface	69.10	84.23	81.15	85.86	4MB	kecil
Resnet50-ir	Arcface	74.31	88.23	87.44	89.56	170MB	kecil
Seresnet50-IR	Arcface	74.37	88.32	88.30	89.65	171MB	kecil
MobileFacenet	Arcface	74.95	88.77	89.47	91.03	4MB	besar
Resnet50-ir	Arcface	79.61	96.02	96.58	96.78	170MB	besar
Seresnet50-IR	Arcface	79.91	96.10	97.01	97.60	171MB	besar
ResNet100-IR	Arcface	80.40	96.94	97.60	98.05	256MB	besar

Penggunaan

1. Unduh kode sumber ke mesin Anda.
2. Siapkan Dataset Kereta dan Daftar Kereta, uji dataset dan pasangan verifikasi tes.
3. Atur jalur dataset Anda sendiri dan parameter lainnya di train.py.
4. Jalankan file train.py, akurasi uji akan mencetak ke file log selama proses pelatihan.

---

5. Setiap file evaluasi dapat bekerja secara mandiri untuk proses uji model. Cukup atur arg Anda sendiri di file.

Visualisasi

Dukungan visdom untuk kehilangan dan akurasi selama proses pelatihan.

Kehilangan Softmax vs Softmax_Center Loss. Kiri: Set Pelatihan Softmax. Kanan: Softmax + Center Loss Training Set.

Referensi

Mugglewang/cosface_pytorch
Xiaoccer/MobileFacenet_PyTorch
TREB1EN/INTIGHTFACE_PYTORCH
DeepInsight/Insightface
Kaiyangzhou/Pytorch-Center-Loss
Tengshaofeng/residualAttentionnetwork-pytorch

Todo

1. Laporkan hasil tes pada tantangan Deepglint Triliun Pasangan.
2. Tambahkan C ++ API untuk penyebaran cepat dengan Pytorch 1.0.
3. Latih model berbasis ResNet100.