前言

本项目参考了ArcFace的损失函数结合MobileNet，意在开发一个模型较小，但识别准确率较高且推理速度快的一种人脸识别项目，该项目训练数据使用emore数据集，一共有85742个人，共5822653张图片，使用lfw-align-128数据集作为测试数据。

源码地址：https://github.com/yeyupiaoling/Pytorch-MobileFaceNet

数据集准备

本项目提供了标注文件，存放在dataset目录下，解压即可。另外需要下载下面这两个数据集，下载完解压到dataset目录下。

emore数据集百度网盘
lfw-align-128下载地址：百度网盘提取码：b2ec

然后执行下面命令，将提取人脸图片到dataset/images，并把整个数据集打包为二进制文件，这样可以大幅度的提高训练时数据的读取速度。

python create_dataset.py

训练

执行train.py即可，更多训练参数请查看代码。

python train.py

训练输出如下：

[2021-11-03 15:18:28.813591] Train epoch 9, batch: 6100/90979, loss: 1.215695, accuracy: 0.859375, lr: 0.000107, eta: 5 days, 5:28:26
[2021-11-03 15:18:37.044353] Train epoch 9, batch: 6200/90979, loss: 0.908210, accuracy: 0.859375, lr: 0.000107, eta: 5 days, 6:35:02
[2021-11-03 15:18:45.229030] Train epoch 9, batch: 6300/90979, loss: 0.964092, accuracy: 0.875000, lr: 0.000107, eta: 5 days, 9:17:21
[2021-11-03 15:18:53.449567] Train epoch 9, batch: 6400/90979, loss: 1.208947, accuracy: 0.828125, lr: 0.000107, eta: 5 days, 12:41:06
[2021-11-03 15:19:01.682437] Train epoch 9, batch: 6500/90979, loss: 1.081449, accuracy: 0.875000, lr: 0.000107, eta: 5 days, 10:29:44
[2021-11-03 15:19:09.895995] Train epoch 9, batch: 6600/90979, loss: 1.277803, accuracy: 0.828125, lr: 0.000107, eta: 5 days, 12:29:05
[2021-11-03 15:19:18.086872] Train epoch 9, batch: 6700/90979, loss: 1.308692, accuracy: 0.828125, lr: 0.000107, eta: 5 days, 7:23:03
[2021-11-03 15:19:26.306897] Train epoch 9, batch: 6800/90979, loss: 1.474561, accuracy: 0.781250, lr: 0.000107, eta: 5 days, 8:20:23
[2021-11-03 15:19:34.528685] Train epoch 9, batch: 6900/90979, loss: 1.295028, accuracy: 0.812500, lr: 0.000107, eta: 5 days, 5:54:56
[2021-11-03 15:19:42.736712] Train epoch 9, batch: 7000/90979, loss: 1.474828, accuracy: 0.812500, lr: 0.000107, eta: 5 days, 8:32:33

评估

执行eval.py即可，更多训练参数请查看代码。

python eval.py

预测

本项目已经不教提供了模预测，模型文件可以直接用于预测。在执行预测之前，先要在face_db目录下存放人脸图片，每张图片只包含一个人脸，并以该人脸的名称命名，这建立一个人脸库。之后的识别都会跟这些图片对比，找出匹配成功的人脸。。这里使用的人脸检测是MTCNN模型，这个模型具有速度快，模型小的特点，源码地址：Pytorch-MTCNN

如果是通过图片路径预测的，请执行下面命令。

python infer.py --image_path=temp/test.jpg

日志输出如下：

人脸检测时间：38ms
人脸识别时间：11ms
人脸对比结果： [('迪丽热巴', 0.7030987), ('杨幂', 0.36442137)]
人脸对比结果： [('杨幂', 0.63616204), ('迪丽热巴', 0.3101096)]
预测的人脸位置： [[272, 67, 328, 118, 1], [156, 80, 215, 134, 1]]
识别的人脸名称： ['迪丽热巴', '杨幂']
总识别时间：82ms

如果是通过相机预测的，请执行下面命令。

python infer_camera.py --camera_id=0

基于Pytorch实现的快速人脸识别模型相关推荐

基于Pytorch实现的声纹识别模型
前言本章介绍如何使用Pytorch实现简单的声纹识别模型,本项目参考了人脸识别项目的做法Pytorch-MobileFaceNet ,使用了ArcFace Loss,ArcFace loss:Add ...
基于LDA+SVM实现人脸识别模型
基于LDA+SVM实现人脸识别模型描述人脸识别(图像识别)是机器学习领域十经典的应用,在本质上,人脸识别属于监督学习中的分类问题.前面章节中我们已经学习了支持向量机(SVM),该算法在图像分类领域 ...
【项目实战课】基于Pytorch的StyleGAN v1人脸图像生成实战
欢迎大家来到我们的项目实战课,本期内容是<基于Pytorch的StyleGAN v1人脸图像生成实战>. 所谓项目实战课,就是以简单的原理回顾+详细的项目实战的模式,针对具体的某一个主题, ...
基于SeetaFace+VS2017+Qt的人脸识别
1 目的目前计算机视觉技术已经比较成熟,相关的开源项目与算法很多,可以将这些开源算法进行整合,进而做成一个小项目,以供日后学习与研究.本实验主要将利用人脸识别开源项目SeetaFace,结合使用Op ...
基于深度卷积神经网络进行人脸识别的原理是什么？
原文:https://www.zhihu.com/question/60759296 基于深度卷积神经网络进行人脸识别的原理是什么? 这里的人脸识别包括但不限于:人脸检测,人脸对齐,身份验证识别,和表 ...
python读取视频流做人脸识别_基于OpenCV和Keras实现人脸识别系列——二、使用OpenCV通过摄像头捕获实时视频并探测人脸、准备人脸数据...
基于OpenCV和Keras实现人脸识别系列手记: 项目完整代码参见Github仓库. 本篇是上面这一系列手记的第二篇. 在Opencv初接触,图片的基本操作这篇手记中,我介绍了一些图片的基本操作,而 ...
ICCV 2019 | 爱奇艺提出半监督损失函数，利用无标签数据优化人脸识别模型
点击我爱计算机视觉标星,更快获取CVML新技术论文发表于ICCV 2019 作者 | 爱奇艺技术产品团队编辑 | 唐里论文标题:Unknown Identity Rejection Loss: ...
【人脸识别】VGGFace--基于VGGNet的人脸识别模型
简介 VGGFace是基于VGGNet训练自己的数据集得到的人脸识别模型.主要有以下特点: ● 构建最少的人为干预大规模人脸数据集. ● 非端到端:先使用Softmax在VGGDataset上预训练, ...
使用Python+PCA+SVM算法实现人脸识别模型
在本文中,我们将使用主成分分析和支持向量机来建立人脸识别模型. 首先,让我们了解PCA和SVM是什么: 主成分分析: 主成分分析(PCA)是一种机器学习算法,广泛应用于探索性数据分析和建立预测模型,它 ...

基于Pytorch实现的快速人脸识别模型

前言

数据集准备

训练

评估

预测

基于Pytorch实现的快速人脸识别模型相关推荐

最新文章

热门文章