大型人脸识别翻车现场
导读
随着人脸资料集越来越大，所以人脸识别技术也越来越成熟，促使了很多相关人脸识别产品的落地，如人脸解锁手机、人脸支付、人脸门锁、人脸搜寻、人脸登入等。不同的系统对于人脸识别的要求和精度有所不同，所以为了提高目前人脸识别的精度，主要的发展方向是通过减少类内的距离、增大类间的距离，就诞生了一批通过改进人脸损失函式来提高精度的算法。这篇文章主要介绍的是基于mxnet的gluon的一个人脸识别的库，gluon-face它包括了近些年来主流的人脸损失函式，包括TripletLoss、RingLoss、CosLoss、L2Softmax、ASoftmax、CenterLoss、ContrastiveLoss、AcrLoss等。除此之外，还包括了1:1人脸验证的metric，人脸识别的pretrained model。
gluon-face的安装
gluon-face是基于mxnet的，所以需要安装mxnet环境要求：Python3.5或者以上版本，需要安装gluoncv和mxnet
pip install gluoncv --pre
pip install mxnet-mkl --pre --upgrade
# if cuda XX is installed
pip install mxnet-cuXXmkl --pre --upgrade
安装gluon-face
pip install git+https://github.com/THUFutureLab/[email protected]#推荐
pip install gluonfr
人脸资料集
insightface专案地址：https://github.com/deepinsight/insightface资料集下载地址：https://github.com/deepinsight/insightface/wiki/Dataset-Zoo
insightface是基于mxnet的symbol开发的一个人脸识别专案，这个专案也包括了基于不同损失函式来训练模型，整个专案结构比较复杂，阅读有一定难度，该专案也提供了不同模型的预训练模型，具体可以参考GitHub，下面是insightface使用不同的loss下的准确度
gluon-face借鉴了insightface的思想，git上面提供了一些人脸资料集的训练集和验证集，所有的人脸资料都已经通过mtcnn裁剪对齐保证人脸的图片大小为（112,112），并将资料储存为了三个档案分别是train.rec、train.idx和val_data.bin。
资料存放格式如下图:
注意：这三个档案是是将112×112的人脸资料转成了三个档案，主要目的是因为人脸资料比较大为了提高读取资料的速度加快训练，使用这种格式的档案可以极大利用mxnet的低层优化来提高速度。档案的制作方式可以参考insightface专案的介绍
gluon-face的损失函式
下面展示的是基于论文提供的不同损失函式下训练的模型，在LFW资料集上获得的最好的准确率，
gluon-face示例
地址：https://github.com/THUFutureLab/gluon-face/tree/master/examples/face_recognition目前gluon-face的git上给出的example并不是特别全，下面我们看一个基于arcLoss的训练核心程式码，详细程式码请参考上面给的地址，相对insightface程式码要少不少，不过准确率有待验证
# 部分训练程式码，完整请参考专案内的例子
train_set = get_recognition_dataset("emore", transform=transform_train)
train_data = DataLoader(train_set, batch_size, shuffle=True, num_workers=num_worker)
loss = ArcLoss(train_set.num_classes, s=64, m=0.5)
while it
for batch in tqdm(train_data):
if it == lr_steps[lr_counter]:
trainer.set_learning_rate(trainer.learning_rate * 0.1)
lr_counter += 1
data = gluon.utils.split_and_load(batch[0], ctx_list=ctx, batch_axis=0, even_split=False)
labels = gluon.utils.split_and_load(batch[1], ctx_list=ctx, batch_axis=0, even_split=False)
with ag.record():
outputs = [net(X)[1] for X in data]
losses = [loss(yhat, y) for yhat, y in zip(outputs, labels)]
for l in losses:
ag.backward(l)
trainer.step(batch_size)
metric.update(labels, outputs)
loss_mtc.update(0, losses)
it += 1
建议
要想训练出一个好的人脸识别模型还是需要大量资料的，我这里除了上面的资料之外还有一些人脸识别相关资料集
需要的小伙伴，可以私信我回复“人脸资料”即可获取下载连结
