InsightFace_Pytorch

用于 InsightFace 的 PyTorch 0.4.1 代码库

---

1. 简介

• 本仓库是对 Arcface(论文) 或 Insightface(GitHub) 的重新实现。
• 包含模型，其中包括 Arcface 和 MobileFacenet 主干模块的 PyTorch 实现。
• 提供了将 Insightface(GitHub) 中 MXNET 数据记录转换为图像数据文件夹的代码。
• 已发布预训练模型，包括原始论文中的 MobileFacenet 和 IR-SE50。

---

2. 预训练模型及性能

IR-SE50 @ 百度网盘，IR-SE50 @ OneDrive

LFW(%)	CFP-FF(%)	CFP-FP(%)	AgeDB-30(%)	calfw(%)	cplfw(%)	vgg2_fp(%)
0.9952	0.9962	0.9504	0.9622	0.9557	0.9107	0.9386

Mobilefacenet @ 百度网盘，Mobilefacenet @ OneDrive

LFW(%)	CFP-FF(%)	CFP-FP(%)	AgeDB-30(%)	calfw(%)	cplfw(%)	vgg2_fp(%)
0.9918	0.9891	0.8986	0.9347	0.9402	0.866	0.9100

3. 使用方法

• 克隆

  git clone https://github.com/TropComplique/mtcnn-pytorch.git
  

3.1 数据准备

3.1.1 准备人脸库（用于摄像头或视频检测）

将您想要检测的人脸图像放入 data/face_bank 文件夹中，并确保其结构如下：

data/facebank/
        ---> id1/
            ---> id1_1.jpg
        ---> id2/
            ---> id2_1.jpg
        ---> id3/
            ---> id3_1.jpg
           ---> id3_2.jpg

3.1.2 下载预训练模型至 work_space/model 目录

如果一个文件夹中有多张图片，则会计算它们的平均嵌入向量。

3.2.3 准备数据集（用于训练）

下载精炼后的数据集：（推荐使用 emore）

• emore 数据集 @ 百度网盘，emore 数据集 @ Dropbox
• 更多数据集请参考 原帖。

注意： 如果您使用精炼后的 MS1M 数据集和裁剪后的 VGG2 数据集，请引用原始论文。

• 解压文件到 'data' 路径后，运行：

  python prepare_data.py
  

  执行完成后，您应该会看到以下结构：

faces_emore/
            ---> agedb_30
            ---> calfw
            ---> cfp_ff
            --->  cfp_fp
            ---> cplfw
            --->imgs
            ---> lfw
            ---> vgg2_fp

---

3.2 摄像头检测：

• 1. 将所需的权重下载到 model 文件夹：

• IR-SE50 @ 百度网盘

• IR-SE50 @ OneDrive

• Mobilefacenet @ 百度网盘

• Mobilefacenet @ OneDrive

• 2. 拍照时，运行

  python take_pic.py -n name
  

  按下 q 键拍照，如果摄像头中出现多个人物，只会捕捉可能性最高的那张人脸。

• 3. 您也可以将任何现有照片放入 facebank 目录，文件结构如下：

- facebank/
         name1/
             photo1.jpg
             photo2.jpg
             ...
         name2/
             photo1.jpg
             photo2.jpg
             ...
         .....
    如果目录中有多张图片，将会计算平均嵌入向量。

• 4. 开始检测

  python face_verify.py 
  

---

3.3 视频检测：

​```
python infer_on_video.py -f [视频文件名] -s [保存文件名]
​```

视频文件应位于 data/face_bank 文件夹内。

• 视频检测演示 @Youtube

3.4 训练：

​```
python train.py -b [batch_size] -lr [学习率] -e [epochs]

# python train.py -net mobilefacenet -b 200 -w 4
​```

4. 参考文献

• 本仓库主要受 deepinsight/insightface 和 InsightFace_TF 的启发。

补充说明

• 欢迎提交 PR，以防我没有资源来训练一些大型模型，比如 100 层和 151 层的模型。
• 邮箱：treb1en@qq.com

InsightFace_Pytorch 快速上手指南

InsightFace_Pytorch 是 ArcFace 算法的 PyTorch 复现版本，支持人脸识别、验证及模型训练。本指南基于官方 README 整理，旨在帮助开发者快速部署和使用。

1. 环境准备

• 系统要求：Linux / macOS / Windows
• 核心依赖：
  • Python 3.x
  • PyTorch 0.4.1 (注意：原文指定版本较老，若使用新版 PyTorch 可能需要调整代码兼容性)
  • OpenCV
  • MTCNN (用于人脸检测)
• 前置操作： 首先需要克隆人脸检测模块 mtcnn-pytorch：

  git clone https://github.com/TropComplique/mtcnn-pytorch.git
  

2. 安装与模型配置

2.1 下载预训练模型

项目提供了两种骨干网络的预训练权重，推荐优先使用百度网盘下载以获取更快速度。将下载的模型文件放入 work_space/model 目录下。

• IR-SE50 (高精度推荐)

  • 百度网盘下载
  • OneDrive 备用
  • 性能参考: LFW 准确率 99.52%

• MobileFacenet (轻量级推荐)

  • 百度网盘下载
  • OneDrive 备用
  • 性能参考: LFW 准确率 99.18%

2.2 准备人脸库 (Facebank)

若需进行人脸识别或验证，需在 data/face_bank 目录下建立如下结构的人脸库。每个子文件夹代表一个人，文件夹内可放置多张照片，系统将自动计算平均特征向量。

data/face_bank/
        ---> zhangsan/
            ---> zhangsan_1.jpg
            ---> zhangsan_2.jpg
        ---> lisi/
            ---> lisi_1.jpg

2.3 准备训练数据 (可选)

若需重新训练模型，请下载清洗后的数据集（推荐 emore）并解压至 data 目录，然后运行预处理脚本：

• 数据集下载:

  • 百度网盘 (emore)
  • Dropbox 备用

• 执行预处理:

  python prepare_data.py
  

  执行成功后，faces_emore 目录下将包含 lfw, cfp_fp, agedb_30 等验证集及 imgs 训练图像。

3. 基本使用

3.1 摄像头实时识别

这是最简单的使用方式，启动后会调用摄像头进行人脸检测与识别。

1. 录入人脸（可选）： 运行以下命令，按 q 键拍摄当前画面中置信度最高的人脸并命名保存至人脸库。

   python take_pic.py -n name
   

   或者直接将现有照片放入 data/face_bank/name/ 目录中。

2. 启动识别：

   python face_verify.py 
   

3.2 视频文件识别

对本地视频文件进行人脸检测并保存结果：

python infer_on_video.py -f [video_file_name] -s [save_file_name]

注意：视频文件需位于 data/face_bank 文件夹内或提供正确相对路径。

3.3 模型训练

使用自定义数据集训练模型，支持指定网络结构、批次大小和学习率：

python train.py -b [batch_size] -lr [learning_rate] -e [epochs]

# 示例：使用 mobilefacenet 网络，批次大小 200，4 个 worker
python train.py -net mobilefacenet -b 200 -w 4