Pre-trained models

模型下載連結：https://pan.baidu.com/s/1aiSq7wGpdHIe6MUKPnXgrA 密碼：4dcn

20170512-110547（MS-Celeb-1M資料集訓練的模型檔案，微軟人臉識別資料庫，名人榜選擇前100萬名人，搜尋引擎採集每個名人100張人臉圖片。預訓練模型準確率0.993+-0.004）

Ram記憶體要求

Inception ResNet v1

人臉識別資料庫

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)

人臉檢測

人臉表情

人臉年齡

人臉性別

人臉關鍵點檢測

人臉其它

前提條件：已安裝並配置好Tensorflow的執行環境。

第一步：準備facenet程式：

一、下載FaceNet原始碼。

二、精簡程式碼。作者在程式碼裡實現了很多功能，但是對於初學者來說，很多程式碼是沒有必要的，反倒找不到學習這個程式的入口。建議先精簡一下程式碼，便於讀懂程式碼：新建一個資料夾，取名：facenet，把原始碼中的src資料夾直接拷貝過來。

注：便於大家能夠看懂程式碼，以上兩步我已經完成，同時，自己執行程式之後，還對裡邊的程式碼做了詳細的註釋，如果想先了解facenet的原始碼，強烈建議下載這個，下載地址：facenet精簡版

當然，大家別忘了順手點個星哦~~~

第二步：下載預訓練模型。

模型下載連結：https://pan.baidu.com/s/1aiSq7wGpdHIe6MUKPnXgrA 密碼：4dcn

下載完成後，把預訓練模型的資料夾拷貝在剛才的資料夾裡。用pycharm開啟這個工程檔案如圖：

第三步：執行人臉比對程式（compare.py）。

facenet可以直接比對兩個人臉經過它的網路對映之後的歐氏距離。 

-1、在compare.py所在目錄下放入要比對的檔案1.png和2.png。
-2、執行compare.py檔案，但是會報錯如下：

這是因為這個程式需要輸入引數，在上方的工具欄裡選擇Run>EditConfigurations ,在Parameters中配置引數：20170512-110547 1.png 2.png。再次執行程式

可以看到，程式會算出這兩個圖片的差值矩陣

第四步：圖片預處理——執行人臉對齊程式（align\align_dataset_mtcnn.py）。

我們可以下載LFW資料集用來測試這個程式，也為後邊的訓練函式做好資料準備。

下載連結：http://vis-www.cs.umass.edu/lfw/。下載後解壓在data資料夾中。

因為程式中神經網路使用的是谷歌的“inception resnet v1”網路模型，這個模型的輸入時160*160的影象，而我們下載的LFW資料集是250*250限畫素的影象，所以需要進行圖片的預處理。

在執行時需要輸入的引數：

input_dir:輸入影象的資料夾（E:\facenet\data\lfw E:\facenet\data\lfw）

output_dir:輸出影象的資料夾（E:\facenet\data\lfw E:\facenet\data\lfw_160）

指定裁剪後圖片的大小：--image_size 160 --margin 32 --random_order（如果不指定，預設的裁剪結果是182*182畫素的）

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中執行，按照同樣的方法配置以上引數如下：

第五步：執行訓練程式：（train_tripletloss.py）。

前邊已經下載並處理好了LFW的資料集，現在，可以進行訓練了。

執行之前，要在train_tripletloss.py中把載入資料的路徑改成自己的資料集所在路徑，如下圖：

注：train_tripletloss.py和train_softmax.py的區別：這是作者對論文做出的一個延伸，除了使用facenet裡提到的train_tripletloss三元組損失函式來訓練，還實現了用softmax的訓練方法來訓練。當然，在樣本量很小的情況下，用softmax訓練會更容易收斂。但是，當訓練集中包含大量的不同個體(超過10萬)時，最後一層的softmax輸出數量就會變得非常大，但是使用train_tripletloss的訓練仍然可以正常工作。

最後，附上原來的檔案中各py檔案的作用（持續更新）：

一、主要函式

align/ ：用於人臉檢測與人臉對齊的神經網路

facenet ：用於人臉對映的神經網路

util/plot_learning_curves.m:這是用來在訓練softmax模型的時候用matlab顯示訓練過程的程式

二、facenet/contributed/相關函式：

1、基於mtcnn與facenet的人臉聚類

程式碼：facenet/contributed/cluster.py（facenet/contributed/clustering.py實現了相似的功能，只是沒有mtcnn進行檢測這一步）

主要功能：

① 使用mtcnn進行人臉檢測並對齊與裁剪

② 對裁剪的人臉使用facenet進行embedding

③ 對embedding的特徵向量使用歐式距離進行聚類

2、基於mtcnn與facenet的人臉識別（輸入單張圖片判斷這人是誰）

程式碼：facenet/contributed/predict.py

主要功能：

① 使用mtcnn進行人臉檢測並對齊與裁剪

② 對裁剪的人臉使用facenet進行embedding

③ 執行predict.py進行人臉識別（需要訓練好的svm模型）

3、以numpy陣列的形式輸出人臉聚類和影象標籤

程式碼：facenet/contributed/export_embeddings.py

主要功能：

① 需要對資料進行對齊與裁剪做為輸入資料

② 輸出embeddings.npy；labels.npy；label_strings.npy