FaceNet pre-trained模型以及FaceNet源码使用方法和讲解_mtcnn facenet

Pre-trained models
Model name     LFW accuracy     Training dataset     Architecture
20180408-102900     0.9905     CASIA-WebFace     Inception ResNet v1
20180402-114759     0.9965     VGGFace2     Inception ResNet v1

 
Model name     LFW accuracy     Training dataset     Architecture
20170511-185253     0.987     CASIA-WebFace     Inception ResNet v1
20170512-110547     0.992     MS-Celeb-1M     Inception ResNet v1

模型下载链接：https://pan.baidu.com/s/1aiSq7wGpdHIe6MUKPnXgrA 密码：4dcn

20170512-110547（MS-Celeb-1M数据集训练的模型文件，微软人脸识别数据库，名人榜选择前100万名人，搜索引擎采集每个名人100张人脸图片。预训练模型准确率0.993+-0.004）

 
Ram内存要求
Neural Network Model     Task     Ram
MTCNN     Facenet#align()     100MB
Facenet     Facenet#embedding()     2GB
Inception ResNet v1

 
人脸识别数据库

 

 
数据库     描述     用途     获取方法
CASIA-WebFace     10k+人，约500K张图片     非限制场景     链接
FaceScrub     530人，约100k张图片     非限制场景     链接
YouTube Face     1,595个人 3,425段视频     非限制场景、视频     链接
LFW     5k+人脸，超过10K张图片     标准的人脸识别数据集     链接
MultiPIE     337个人的不同姿态、表情、光照的人脸图像，共750k+人脸图像     限制场景人脸识别     链接 需购买
MegaFace     690k不同的人的1000k人脸图像     新的人脸识别评测集合     链接
IJB-A           人脸识别，人脸检测     链接
CAS-PEAL     1040个人的30k+张人脸图像，主要包含姿态、表情、光照变化     限制场景下人脸识别     链接
Pubfig     200个人的58k+人脸图像     非限制场景下的人脸识别     

链接

VGG2:

 

-- Total number of images : 3.31 Million.

-- Number of identities : 9131 (train: 8631, test: 500)

-- Number of male identities : 5452

-- Number of images per identity : 87/362.6/843 (min/avg/max)

-- Number of pose templates : list of pose template for 368 subjects (2 front templates, 2 three-quarter templates and 2 profile templates, each template containing 5 images)

-- Number of age templates : list of age template for 100 subjects (2 young templates and 2 mature templates, each template containing 5 images)

 
人脸检测
数据库     描述     用途     获取方法
FDDB     2845张图片中的5171张脸     标准人脸检测评测集     链接
IJB-A           人脸识别，人脸检测     链接
Caltech10k Web Faces     10k+人脸，提供双眼和嘴巴的坐标位置     人脸点检测     链接
人脸表情
数据库     描述     用途     获取方法
CK+     137个人的不同人脸表情视频帧     正面人脸表情识别     链接
人脸年龄
数据库     描述     用途     获取方法
IMDB-WIKI     包含：IMDb中20k+个名人的460k+张图片 和维基百科62k+张图片, 总共： 523k+张图片     名人年龄、性别     链接
Adience     包含2k+个人的26k+张人脸图像     人脸性别，人脸年龄段(8组)     链接
CACD2000     2k名人160k张人脸图片     人脸年龄     链接
人脸性别
数据库     描述     用途     获取方法
IMDB-WIKI     包含：IMDb中20k+个名人的460k+张图片 和维基百科62k+张图片, 总共： 523k+张图片     名人年龄、性别     链接
Adience     包含2k+个人的26k+张人脸图像     人脸性别，人脸年龄段(8组)     链接
人脸关键点检测
数据库     描述     用途     获取方法
数据库     描述     用途     获取方法
人脸其它
数据库     描述     用途     获取方法
CeleBrayA     200k张人脸图像40多种人脸属性     人脸属性识别     获取方法

 

 

 

前提条件：已安装并配置好Tensorflow的运行环境。

第一步：准备facenet程序：

一、下载FaceNet源码。

下载地址：facenet源码
二、精简代码。作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于读懂代码：新建一个文件夹，取名：facenet，把源码中的src文件夹直接拷贝过来。
 

注：便于大家能够看懂代码，以上两步我已经完成，同时，自己运行程序之后，还对里边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址：facenet精简版

当然，大家别忘了顺手点个星哦~~~

 

第二步：下载预训练模型。
 

模型下载链接：https://pan.baidu.com/s/1aiSq7wGpdHIe6MUKPnXgrA 密码：4dcn
下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里。用pycharm打开这个工程文件如图：

 

 

第三步：运行人脸比对程序（compare.py）。

 

facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。

-1、在compare.py所在目录下放入要比对的文件1.png和2.png。
-2、运行compare.py文件，但是会报错如下：
这是因为这个程序需要输入参数，在上方的工具栏里选择Run>EditConfigurations ,在Parameters中配置参数：20170512-110547 1.png 2.png。再次运行程序
 

可以看到，程序会算出这两个图片的差值矩阵

 

第四步：图片预处理——运行人脸对齐程序（align\align_dataset_mtcnn.py）。

我们可以下载LFW数据集用来测试这个程序，也为后边的训练函数做好数据准备。

下载链接：http://vis-www.cs.umass.edu/lfw/。下载后解压在data文件夹中。

 

因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160*160的图像，而我们下载的LFW数据集是250*250限像素的图像，所以需要进行图片的预处理。

在运行时需要输入的参数：

input_dir:输入图像的文件夹（E:\facenet\data\lfw E:\facenet\data\lfw）

output_dir:输出图像的文件夹（E:\facenet\data\lfw E:\facenet\data\lfw_160）

指定裁剪后图片的大小：--image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是182*182像素的）

比如我的是：E:\facenet\data\lfw E:\facenet\data\lfw_160 --image_size 160 --margin 32 --random_order

如果在pycharm中运行，按照同样的方法配置以上参数如下：

 

第五步：运行训练程序：（train_tripletloss.py）。

前边已经下载并处理好了LFW的数据集，现在，可以进行训练了。

运行之前，要在train_tripletloss.py中把加载数据的路径改成自己的数据集所在路径，如下图：

 

 

注：train_tripletloss.py和train_softmax.py的区别：这是作者对论文做出的一个延伸，除了使用facenet里提到的train_tripletloss三元组损失函数来训练，还实现了用softmax的训练方法来训练。当然，在样本量很小的情况下，用softmax训练会更容易收敛。但是，当训练集中包含大量的不同个体(超过10万)时，最后一层的softmax输出数量就会变得非常大，但是使用train_tripletloss的训练仍然可以正常工作。

 

最后，附上原来的文件中各py文件的作用（持续更新）：

 

一、主要函数

align/ ：用于人脸检测与人脸对齐的神经网络

facenet ：用于人脸映射的神经网络

util/plot_learning_curves.m:这是用来在训练softmax模型的时候用matlab显示训练过程的程序

 

二、facenet/contributed/相关函数：

1、基于mtcnn与facenet的人脸聚类

代码：facenet/contributed/cluster.py（facenet/contributed/clustering.py实现了相似的功能，只是没有mtcnn进行检测这一步）

主要功能：

① 使用mtcnn进行人脸检测并对齐与裁剪

② 对裁剪的人脸使用facenet进行embedding

③ 对embedding的特征向量使用欧式距离进行聚类

 

2、基于mtcnn与facenet的人脸识别（输入单张图片判断这人是谁）

代码：facenet/contributed/predict.py

主要功能：

① 使用mtcnn进行人脸检测并对齐与裁剪

② 对裁剪的人脸使用facenet进行embedding

③ 执行predict.py进行人脸识别（需要训练好的svm模型）

 

3、以numpy数组的形式输出人脸聚类和图像标签

代码：facenet/contributed/export_embeddings.py

主要功能：

① 需要对数据进行对齐与裁剪做为输入数据

② 输出embeddings.npy；labels.npy；label_strings.npy
---------------------  
 
原文：https://blog.csdn.net/MrCharles/article/details/80360461