首页 > 编程学习 > 训练自己的数据_ArcFace/InsightFace使用自己数据训练人脸识别(2/2)

人脸识别

接上一章内容ArcFace/InsightFace使用自己数据训练人脸识别(1/2)

文章中所需的脚本文件下载地址见第一个评论

六、训练
进入src目录,linux命令行输入以下:

export MXNET_CPU_WORKER_NTHREADS=24export MXNET_CUDNN_AUTOTUNE_DEFAULT=0export MXNET_ENGINE_TYPE=ThreadedEnginePerDeviceDATA_DIR=/root/cc/faces_vgg_112x112#数据存放目录NETWORK=r50#网络 默认resnet50 r100代表resnet100JOB=softmax1e3#LOSS=0#0代表使用softmax,4代表arcface等等,可以看源码MODELDIR="/root/cc/model/model-$NETWORK-$JOB"#模型保存位置mkdir -p "$MODELDIR"PREFIX="$MODELDIR/model"CUDA_VISIBLE_DEVICES='0' python -u train_softmax.py --data-dir $DATA_DIR --network "$NETWORK" --loss-type $LOSS --prefix "$PREFIX" --per-batch-size 64# 加载预训练模型,训练快,设置学习率为0.005,可减少错误,可使用以下命令CUDA_VISIBLE_DEVICES='0' python -u train_softmax.py --data-dir /mnt/sda2/faces_vgg_112x112 --network m1 --loss-type 0 --lr 0.005 --pretrained ./models/m1-softmax-emore,1-softmax-emore,1 --prefix ../models --per-batch-size 64
输入shell命令时,注意取出#后面的文字

以上参数在1080Ti上训练可以通过,注意per-batch-size和网络的设置,数目太大可能会报错。

七、测试验证
第一种验证方式
直接测试准确率等数值,进入sce/eval目录,linux命令行输入以下:

python -u verification.py --gpu 0 --data-dir /root/cc/20_faces_datasets --model '/root/insightface-master0/models/model,0' --target 20_faces --batch-size 128
命令行参数说明:

data-dir:就是之前各种文件保存的目录
model:就是训练好的模型位置,注意地址后面有个",0"代表使用哪一次的训练结果
target:就是你测试验证的数据集的标签
batch-size:每次测试的样本数量

第二种验证方式
在验证的代码中,还有一种能够直观展示测试数据结果的方式,展示结果如下图所示,程序会自动的选择表现最优的阈值,同时把在该阈值下的False_Positive和False_Negative的人脸给一一画出来,能够直观的分析识别出错的原因。


测试结果保存

进入sce/eval目录,在verification.py中390行左右修改图像保存地址


代码修改说明

linux命令行输入以下:

python -u verification.py --gpu 0 --data-dir /root/cc/20_faces_datasets --model '/root/insightface-master0/models/model,0' --target 20_faces --batch-size 128 --mode 1
有其他问题,可以评论,我会及时解决
相关资源:ArcFace/InsightFace使用自己数据训练/验证过程(2)-附件资源
 

Copyright © 2010-2022 mfbz.cn 版权所有 |关于我们| 联系方式|豫ICP备15888888号