基于‘VGGFace2：一个用于跨姿态和年龄识别人脸的数据集’的PyTorch人脸识别器

本仓库实现了基于VGGFace2 [1] 数据集的模型训练、测试以及特征提取器。

PyTorch版本的[预训练模型]（#pretrained-models）是由[1]的作者提供的[Caffe模型]（https://www.robots.ox.ac.uk/~vgg/data/vgg_face2/）转换而来。

数据集

要下载VGGFace2数据集，请访问作者官网。

图像预处理

在将人脸图像输入到此人脸识别器（demo.py）之前，需要先从图像中检测并裁剪出人脸。

有几种基于MTCNN [3] 的人脸检测程序可供选择：

• PyTorch版本：mtcnn-pytorch
• MXNet版本：mxnet_mtcnn_face_detection
• Matlab版本：MTCNN_face_detection_alignment

预训练模型

以下是根据[1]作者提供的[Caffe模型]（https://www.robots.ox.ac.uk/~vgg/data/vgg_face2/）转换而来的PyTorch模型。

架构类型	下载链接
resnet50_ft	链接
senet50_ft	链接
resnet50_scratch	链接
senet50_scratch	链接

特征提取

使用方法：

python demo.py extract <options>

选项

• --arch_type 网络架构类型（默认：resnet50_ft）：
  • resnet50_ft 先在MS1M数据集上预训练，再在VGGFace2上进行微调的ResNet-50
  • senet50_ft 类似resnet50_ft训练的SE-ResNet-50
  • resnet50_scratch 在VGGFace2上从头开始训练的ResNet-50
  • senet50_scratch 类似resnet50_scratch训练的SE-ResNet-50
• --weight_file 由Caffe模型转换而来的权重文件（见此处）
• --resume 用于特征提取的检查点文件（默认：无）。若设置，则忽略--weight_file。
• --dataset_dir 数据集目录
• --feature_dir 保存提取特征的目录
• --test_img_list_file 用于提取特征的图像文件列表
• --log_file 日志文件
• --meta_file VGGFace2的元信息文件，即Meta.tar.gz中的identity_meta.csv
• --batch_size 批量大小（默认：32）
• --gpu GPU设备ID（默认：0）
• --workers 数据加载工作线程数（默认：4）
• --horizontal_flip 对--test_img_list_file中指定的图像进行水平翻转

测试

使用方法：

python demo.py test <options>

选项

• --arch_type 网络架构类型（默认：resnet50_ft）：
  • resnet50_ft 先在MS1M数据集上预训练，再在VGGFace2上进行微调的ResNet-50
  • senet50_ft 类似resnet50_ft训练的SE-ResNet-50
  • resnet50_scratch 在VGGFace2上从头开始训练的ResNet-50
  • senet50_scratch 类似resnet50_scratch训练的SE-ResNet-50
• --weight_file 由Caffe模型转换而来的权重文件（见此处）
• --resume 用于测试的检查点文件（默认：无）。若设置，则忽略--weight_file。
• --dataset_dir 数据集目录
• --test_img_list_file 包含用于验证、测试或特征提取的图像文件的文本文件
• --log_file 日志文件
• --meta_file VGGFace2的元信息文件，即Meta.tar.gz中的identity_meta.csv
• --batch_size 批量大小（默认：32）
• --gpu GPU设备ID（默认：0）
• --workers 数据加载工作线程数（默认：4）

训练

使用方法：

python demo.py train <options>

选项

• --arch_type 网络架构类型（默认：resnet50_ft）：
  • resnet50_ft 先在MS1M数据集上预训练，再在VGGFace2上进行微调的ResNet-50
  • senet50_ft 类似resnet50_ft训练的SE-ResNet-50
  • resnet50_scratch 在VGGFace2上从头开始训练的ResNet-50
  • senet50_scratch 类似resnet50_scratch训练的SE-ResNet-50
• --weight_file 由Caffe模型转换而来的权重文件（见此处），用于微调
• --resume 用于恢复训练的检查点文件（默认：无）。若设置，则忽略--weight_file。
• --dataset_dir 数据集目录
• --train_img_list_file 包含用于训练的图像文件的文本文件
• --test_img_list_file 包含用于验证、测试或特征提取的图像文件的文本文件
• --log_file 日志文件
• --meta_file VGGFace2的元信息文件，即Meta.tar.gz中的identity_meta.csv
• --checkpoint_dir 检查点输出目录
• --config 训练中使用的设置和超参数数量
• --batch_size 批量大小（默认：32）
• --gpu GPU设备ID（默认：0）
• --workers 数据加载工作线程数（默认：4）

注意

本仓库不计划支持在[2]中描述的VGG-Face数据集。如果您对VGG-Face的模型感兴趣，请参阅keras-vggface。

参考文献

1. ZQ. Cao, L. Shen, W. Xie, O. M. Parkhi, A. Zisserman, VGGFace2：一个用于跨姿态和年龄识别人脸的数据集，2018年。 网站，arXiv

2. Parkhi, O. M. 和 Vedaldi, A. 和 Zisserman, A., 深度面部识别，英国机器视觉大会，2015年。 网站

3. K. Zhang 和 Z. Zhang 和 Z. Li 和 Y. Qiao， 使用多任务级联卷积网络进行联合人脸检测与对齐， IEEE信号处理快报，2016年。 arXiv

VGGFace2-pytorch 快速上手指南

本指南帮助开发者快速在 PyTorch 环境中部署基于 VGGFace2 数据集的人脸识别模型，支持特征提取、测试及训练功能。

环境准备

• 操作系统: Linux (推荐) 或 macOS
• Python: 3.6+
• 深度学习框架: PyTorch (建议版本 1.0+)
• 前置依赖:
  • torchvision
  • Pillow
  • numpy
  • pandas
• 人脸检测工具: 本项目仅处理裁剪后的人脸图像。在运行前，需使用 MTCNN 等工具对原始图片进行人脸检测和裁剪。
  • 推荐 PyTorch 版本实现：mtcnn-pytorch

安装依赖命令：

pip install torch torchvision pillow numpy pandas
# 如有需要，可配置国内镜像源加速
# pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch torchvision pillow numpy pandas

安装步骤

1. 克隆仓库

   git clone https://github.com/cydonia999/VGGFace2-pytorch.git
   cd VGGFace2-pytorch
   

2. 下载预训练模型 根据需求选择以下架构之一的权重文件（从 Google Drive 下载），并放置在项目目录下：

   • resnet50_ft: 在 MS1M 预训练并在 VGGFace2 微调（推荐）
   • senet50_ft: SE-ResNet-50 微调版
   • resnet50_scratch: 仅在 VGGFace2 从头训练
   • senet50_scratch: SE-ResNet-50 从头训练

   模型架构	下载链接
   resnet50_ft	下载
   senet50_ft	下载
   resnet50_scratch	下载
   senet50_scratch	下载

3. 准备数据

   • 下载 VGGFace2 数据集。
   • 解压 Meta.tar.gz 获取 identity_meta.csv 文件。
   • 重要：确保输入模型的图片已经是经过检测并裁剪好的人脸图片。

基本使用

以下示例演示如何使用预训练模型提取人脸特征。假设你已准备好一张裁剪好的人脸图片列表文件 test_imgs.txt。

1. 提取人脸特征 (Feature Extraction)

将图片转换为特征向量并保存：

python demo.py extract \
    --arch_type resnet50_ft \
    --weight_file resnet50_ft.pth \
    --dataset_dir /path/to/VGGFace2 \
    --test_img_list_file test_imgs.txt \
    --feature_dir ./features \
    --meta_file identity_meta.csv \
    --gpu 0

参数说明：

• --arch_type: 网络架构，默认 resnet50_ft。
• --weight_file: 下载的预训练权重文件路径。
• --test_img_list_file: 包含待处理图片路径的文本文件。
• --feature_dir: 提取出的特征保存目录。
• --meta_file: VGGFace2 的元数据文件 (identity_meta.csv)。

2. 模型测试 (Testing)

在验证集上评估模型性能：

python demo.py test \
    --arch_type resnet50_ft \
    --weight_file resnet50_ft.pth \
    --dataset_dir /path/to/VGGFace2 \
    --test_img_list_file val_imgs.txt \
    --meta_file identity_meta.csv \
    --gpu 0

3. 模型训练 (Training)

使用自定义数据或 VGGFace2 进行微调训练：

python demo.py train \
    --arch_type resnet50_ft \
    --weight_file resnet50_ft.pth \
    --dataset_dir /path/to/VGGFace2 \
    --train_img_list_file train_imgs.txt \
    --test_img_list_file val_imgs.txt \
    --meta_file identity_meta.csv \
    --checkpoint_dir ./checkpoints \
    --config config/train_resnet50_ft.yaml \
    --gpu 0

注意：本仓库不支持旧的 VGG-Face 数据集。如需使用 VGG-Face 模型，请参考 keras-vggface。