FaceNet pre | 您所在的位置:网站首页 › facenet源码 › FaceNet pre |
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: 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 |
CopyRight 2018-2019 实验室设备网 版权所有 |