Facenet+Retinaface:人脸识别模型在Pytorch当中的实现
目录
注意事项
该库中包含了两个网络,分别是retinaface和facenet。二者使用不同的权值。
在使用网络时一定要注意权值的选择,以及主干与权值的匹配。
retinaface人脸检测仓库为,可以训练也可以预测:https://github.com/bubbliiiing/retinaface-pytorch
facenet人脸识别仓库为,可以训练也可以预测:https://github.com/bubbliiiing/facenet-pytorch
所需环境
pytorch==1.2.0
文件下载
预测所需的权值文件可以在百度云下载。
链接: https://pan.baidu.com/s/1iTo4_x0DHg0GoTUQWduMZw 提取码: dmw6
预测步骤
- 本项目自带主干为mobilenet的retinaface模型与facenet模型。可以直接运行,如果想要使用主干为resnet50的retinafa和主干为inception_resnetv1的facenet模型需要。
- 在retinaface.py文件里面,在如下部分修改model_path和backbone使其对应训练好的文件。
_defaults = {
"retinaface_model_path" : 'model_data/Retinaface_mobilenet0.25.pth',
#-----------------------------------#
# 可选retinaface_backbone有
# mobilenet和resnet50
#-----------------------------------#
"retinaface_backbone" : "mobilenet",
"confidence" : 0.5,
"iou" : 0.3,
#----------------------------------------------------------------------#
# 是否需要进行图像大小限制。
# 输入图像大小会大幅度地影响FPS,想加快检测速度可以减少input_shape。
# 开启后,会将输入图像的大小限制为input_shape。否则使用原图进行预测。
# 会导致检测结果偏差,主干为resnet50不存在此问题。
# 可根据输入图像的大小自行调整input_shape,注意为32的倍数,如[640, 640, 3]
#----------------------------------------------------------------------#
"retinaface_input_shape": [640, 640, 3],
#-----------------------------------#
# 是否需要进行图像大小限制
#-----------------------------------#
"letterbox_image" : True,
"facenet_model_path" : 'facenet_inception_resnetv1.pth',
#-----------------------------------#
# 可选facenet_backbone有
# mobilenet和inception_resnetv1
#-----------------------------------#
"facenet_backbone" : "inception_resnetv1",
"facenet_input_shape" : [160,160,3],
"facenet_threhold" : 0.9,
"cuda" : True
}
- 运行encoding.py,对face_dataset里面的图片进行编码,face_dataset的命名规则为XXX_1.jpg、XXX_2.jpg。最终在model_data文件夹下生成对应的数据库人脸编码数据文件。
- 运行predict.py,输入下述文字,可直接预测。
img/zhangxueyou.jpg
- 在predict.py里面进行设置可以进行fps测试和video视频检测。