Face_Pytorch 다운로드 - Face_Pytorch 소스 코드 다운로드

Face_Pytorch

파이썬

1.0.0

다운로드

2019.07.14
현재 저는 캠퍼스를 졸업하고 다른 종류의 일을했습니다. 따라서이 프로젝트는 다시 업데이트되지 않을 수 있습니다.

face_pytorch

Arcface, Cosface 및 Sphereface 등을 포함하여 Pytorch 프레임 워크에서 인기있는 얼굴 인식 알고리즘의 구현.

모든 코드는 Python 3.6, Ubuntu 16.04.10, Cuda 9.1 및 Cudnn 7.1을 사용하여 Pytorch 0.4.0에서 평가됩니다. Pytorch 1.0에서 부분적으로 평가되었습니다.

데이터 준비

CNN 교육의 경우 CASIA-WEBFACE를 사용하고 MTCNN에 의해 112x112의 크기와 정렬 된 MS-CELEB-1M을 청소합니다. 성능 테스트를 위해 LFW, AGEDB-30, CFP-FP, Megaface Rank1 식별 및 검증 결과를보고합니다.

AGEDB-30 및 CFP-FP의 경우, 정렬 된 이미지 및 평가 이미지 쌍은 Insightface에서 제공하는 MXNET 바이너리 파일에서 복원 되며이 저장소에서 도구를 사용할 수 있습니다. 이미지 구문 분석 을 위해 먼저 MXNET-CPU를 설치해야합니다.
lfw @ baidunetdisk, agedb-30 @ baidunetdisk, cfp_fp @ baidunetdisk

결과

MobileFacenet : MobileFacenet에 설명 된 스트리트
RESNET50 : 원래 RESNET 구조
RESNET50-IR : CNN은 Arcface 용지에 설명되었습니다
Seresnet50-IR : CNN은 Arcface 용지에 설명되었습니다

LFW, AGEDB-30 및 CFP_FP에 대한 검증 결과

소규모 프로토콜 : 데이터 크기의 Casia-Webface로 교육 : 453580/10575
대형 프로토콜 : DeepGlint MS-Celeb-1M과 함께 데이터 크기 : 3923399/86876

모델 유형	손실	LFW	agedb-30	CFP-FP	모델 크기	규약
MobileFacenet	아크 페이스	99.23	93.26	94.34	4MB	작은
RESNET50-IR	아크 페이스	99.42	94.45	95.34	170MB	작은
Seresnet50-ir	아크 페이스	99.43	94.50	95.43	171MB	작은
MobileFacenet	아크 페이스	99.58	96.57	92.90	4MB	크기가 큰
RESNET50-IR	아크 페이스	99.82	98.07	95.34	170MB	크기가 큰
Seresnet50-ir	아크 페이스	99.80	98.13	95.60	171MB	크기가 큰
RESNET100-IR	아크 페이스	99.83	98.28	96.41	256MB	크기가 큰

소규모 프로토콜 하에서 훈련 할 때 CFP-FP가 AgedB-30보다 더 나은 반면, 대규모 데이터 세트로 훈련 할 때 CFP-FP 성능은 AGEDB-30보다 더 나쁘다는 이상한 결과가 있습니다.

메가 페이스 순위 1 식별 정확도 및 verfication@fpr = 1e-6 결과

모델 유형	손실	MF ACC.	mf ver.	mf acc.@r	mf ver.@r	크기	규약
MobileFacenet	아크 페이스	69.10	84.23	81.15	85.86	4MB	작은
RESNET50-IR	아크 페이스	74.31	88.23	87.44	89.56	170MB	작은
Seresnet50-ir	아크 페이스	74.37	88.32	88.30	89.65	171MB	작은
MobileFacenet	아크 페이스	74.95	88.77	89.47	91.03	4MB	크기가 큰
RESNET50-IR	아크 페이스	79.61	96.02	96.58	96.78	170MB	크기가 큰
Seresnet50-ir	아크 페이스	79.91	96.10	97.01	97.60	171MB	크기가 큰
RESNET100-IR	아크 페이스	80.40	96.94	97.60	98.05	256MB	크기가 큰

용법

소스 코드를 컴퓨터에 다운로드하십시오.
열차 데이터 세트 및 기차 목록, 테스트 데이터 세트 및 테스트 검증 쌍을 준비하십시오.
Train.py에서 자신의 데이터 세트 경로 및 기타 매개 변수를 설정하십시오.
Train.py 파일을 실행하면 교육 과정에서 테스트 정확도가 로그 파일에 인쇄됩니다.

모든 평가 파일은 모델 테스트 프로세스에서 독립적으로 작동 할 수 있습니다. 파일에 자신의 Args를 설정하십시오.

심상

훈련 과정에서 손실과 정확성에 대한 가시성 지원.

SoftMax Loss vs SoftMax_Center 손실. 왼쪽 : SoftMax 교육 세트. 오른쪽 : SoftMax + 센터 손실 교육 세트.

참조

Mugglewang/cosface_pytorch
xiaoccer/mobilefacenet_pytorch
treb1en/insightface_pytorch
DeepInsight/Insightface
Kaiyangzhou/Pytorch-Center-Loss
Tengshaofeng/greasualattentionnetwork-pytorch