insightface 的学习与使用

网址：deepinsight/insightface

环境准备：

（1）GPU，由于要用到GPU，所以GPU的环境比较重要。先要安装GPU的驱动，相应的教程，我在前几篇博客里写到，这里不再说明。需要说明的是，如果你换过内核版本了，有些内核源码没有，CUDA10，9之间的区别，你需要重新安装内核DEV版本，这样在安装GPU驱动的时候，就会源码可以被驱动使用，这样才可以成功安装GPU的驱动。

（2）使用anaconda . 一般情况下，我们安装2.7. 需要其它环境，再安装。在很多机器学习的教程里，我们看到了它使用2.7. 比如这个insightface的工程，其实可能是最初始的时候，他使用了2.7，但后来，很多优秀的模块构建在新的版本之上，其它很多依赖的环境都变化了；但也不能最新3.7，因为很多要用的模块都还来不及构建。所以比较合适的选择是3.6.

conda install 在无法找到要安装的模块时，anaconda search -t conda 去寻找；注意选择与你环境相符合的版本。当然如果你选择了3.6，一般情况下都是有的。

环境非常重要，足可以让你浪费很长的时间，做到如上两点，应该可以清晰搞定环境。

工程理解

https://github.com/deepinsight/insightface.git

对于工程的理解，应该是重点改进点在recognition上面。这里需要知道人脸识别的几个模块。detection, alignment, verification ,identification/recognition . 所以，本工程的重点算法的改进在于recognition。而其它的模块，比如detection,可能就直接使用MTCNN。

对于工程的使用，主要是按照要求，组建好环境后，./recognition里 config.py里更改 dataset ,数据集， batchsize与gpu个数相关，然后去dataset-zoo下载了数据集后，开始训练，这样就生成了model ,model的生成位置也是在config.py里配置。在训练的过程中，也看到了verification.

如果你懒得去训练,直接使用pre-train model 。可以去文中讲的model-zoo里去下载；认真点的，可以再使用verification.py

src/eval/verification.py验证其精度，不认真的，直接拿去使用吧。

需要做的事

（1）训练模型与验证

如果你对精度不满意，需要改进算法，寻找数据集，训练与验证；这应该是最累且有技术含量的活。累在数据集太大，技术含量在于算法的改进。

（2）使用模型

这块应该只是使用，没难度

（3）封装接口

基本的test完成，后如何封装成可用的服务。

src/api/app.py里看到了相应的源码。但封装的太少。使用了flake简单提供了下API接口。里面的test也可以使用。

有个好的工程

https://github.com/SthPhoenix/InsightFace-REST 通过源码 docker两种方式进行了封装的展现。可以借鉴。要看看flake的生产环境的使用。