轉：史上最全的FaceNet源碼使用方法和講解（二）

一、對模型進行測試：

用到的函數：validate_on_lfw.py

在pycharm中配置的參數如下：

資料集所在路徑 模型所在路徑

1

示例：

20170512-110547 1.png 2.png

1

這将執行以下四個操作：

a）加載模型。

b）加載和解析文本檔案與圖像對。

c）計算所有圖像（以及它們的水準翻轉版本）在測試集中的向量。

d）計算精度，驗證率（@ FAR = -10e-3），曲線下面積（AUC）和等誤差率（EER）等性能名額。

典型的輸出如下：

Model directory: /home/david/models/20180402-114759/

Metagraph file: model-20180402-114759.meta

Checkpoint file: model-20180402-114759.ckpt-275

Runnning forward pass on LFW images

…

Accuracy: 0.99650±0.00252

Validation rate: 0.98367±0.00948 @ FAR=0.00100

Area Under Curve (AUC): 1.000

Equal Error Rate (EER): 0.004

1

2

3

4

5

6

7

8

9

10

####二、對預訓練模型重新進行訓練

有時候，我們需要用自己的資料集對預訓練好的模型進行重新訓練，或者之前訓練了一個模型之後，覺得訓練輪數不夠，又不想從頭開始訓練，這樣，在訓練之前就要把之前訓練的模型重新加載進去，方式如下：

######第一步：添加預訓練模型的參數：

在中train_tripletloss.py找到這樣一個語句：

改成這樣：

parser.add_argument(’–pretrained_model’, type=str,

help=‘Load a pretrained model before training starts.’,default=‘模型所在路徑’)

1

2

3

######第二步：解決程式中的一個小bug

如果隻是完成了第一步，運作程式會報錯。經過調試，是因為程式有一個小的bug需要修複：

找到這一行程式：

可以看出，這一處函數的作用是：如果預訓練模型這個參數非空，那麼用tensorflow的saver.restore()函數重新加載模型參數，但是此處會報錯，

那麼我們模仿compare.py函數中的加載模型方法，将這個函數改為：

facenet.load_model(args.pretrained_model)

1

然後運作程式，發現程式已經可以正常執行了。

如果不放心，可以取一個已經訓練好的模型，加載之後訓練一輪，會發現初始的損失函數非常小，同時，訓練一輪之後模型的準确率已經和加載的預訓練模型準确率差不多了，說明模型加載成功。

####三、用自己的資料集結合SVM訓練一個人臉識别系統

可能希望自動對您的私人照片集進行分類。或者您有一個安全攝像頭，您想要自動識别您的家庭成員。那麼您可能希望在自己的資料集上訓練分類器。在這種情況下，classifier.py程式也可以用于此。

1）建構自己的資料集。 在該示例中，每個類的5個第一圖像用于訓練，接下來的5個圖像用于測試。

比如說，你有9個需要分類的人（這裡暫時用F1-F9表示），其中你有每個人各20張照片

使用的類是：

F1

F2

F3

F4

F5

F6

F7

F8

F9

訓練集的目錄組織方式：

my_dataset/test

├── F1

│ ├── F1_0.png

│ ├── F1_1.png

│ ├── F1_2.png

│ ├── F1_3.png

│ ├── F1_3.png

…… ……

│ └── F1_19.png

├── F2

│ ├── F2_0.png

│ ├── F2_1.png

│ ├── F2_2.png

│ ├── F2_3.png

│ ├── F2_3.png

│ …… ……

│ └── F2_19.png

├── F3

│ ├── F3_0.png

│ ├── F3_1.png

…… …… ……

…

…

測試集的目錄組織方式類似。

2）訓練。 用到的代碼：calssifier.py。這一步是在你已經訓練好了一個FaceNet模型（或者使用網上提供的模型），需要用這個模型計算出的自己照片的特征向量來訓練一個SVM分類器的場景，這個程式的基本原理是：通過用圖像算出來的向量資料來訓練一個SVM分類器，進而對人的身份進行一個判斷，同時在.pkl格式的檔案中存儲每一個分類。這也是作者對于FaceNet程式應用的一個探索。

這個函數有兩個模式，一個模式用來訓練，另一個模式用來測試。具體功能如下：

模式= TRAIN：

使用訓練好的模型計算圖檔的向量，用來訓練SVM分類器

将訓練好的分類模型儲存為python pickle檔案

模式= CLASSIFY：

加載SVM分類器模型

使用來自資料集測試部分的向量來測試分類器

執行本代碼需要添加的參數以及各參數的含義：

mode： 設定“TRAIN”和“CLASSIFY”兩種模式。

data_dir: 圖檔資料所在檔案夾

model: 訓練好的模型

classifier_filename：類似于标簽，如果mode參數是TRAIN，那麼需要指定一個輸出的檔案位置（以.pkl結尾，例如**/**.pkl），如果mode參數是CLASSIFY，那麼就需要指定參數的路徑（.pkl檔案）。

配置參數示例：

TRAIN 圖檔資料所在檔案夾 模型檔案夾 标簽檔案.pkl

1

運作結果：

Number of classes: 9

Number of images: 180

Loading feature extraction model

Model directory: 20180606

Metagraph file: model-20180606-232113.meta

Checkpoint file: model-20180606-232113.ckpt-120120

Calculating features for images

Training classifier

Saved classifier model to file “E:/facenet/pick/classifier.pkl”

1

2

3

4

5

6

7

8

9

10

測試：

CLASSIFY 圖檔資料所在檔案夾 模型檔案夾 标簽檔案儲存位址.pkl

1

運作結果：

Number of classes: 9

Number of images: 20

Loading feature extraction model

Model directory: 20180606

Metagraph file: model-20180606-232113.meta

Checkpoint file: model-20180606-232113.ckpt-120120

Calculating features for images

Testing classifier

Loaded classifier model from file “E:/facenet/pick/classifier.pkl”

0 F1: 0.471

1 F1: 0.672

2 F1: 0.685

3 F1: 0.700

4 F3: 0.633

5 F1: 0.556

6 F1: 0.555

7 F1: 0.696

8 F2: 0.827

9 F2: 0.775

…… ……

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

如果不需要在每次執行的過程中都配置這幾個參數，可以對程式進行微調，找到原程式中的這幾行代碼：

改動如下（即将初始值配置在程式中，避免每次執行程式時都要輸入對應的參數。如果參數有改動，隻需要更改程式對應部位即可。）：

parser.add_argument(’–mode’, type=str, choices=[‘TRAIN’, ‘CLASSIFY’],

help=‘Indicates if a new classifier should be trained or a classification ’ +

‘model should be used for classification’, default=‘CLASSIFY’)#這裡更改模式

parser.add_argument(’–data_dir’, type=str,

help=‘Path to the data directory containing aligned LFW face patches.’,default=‘TF1_classify’)#添加自己的資料檔案夾

parser.add_argument(’–model’, type=str,

help=‘Could be either a directory containing the meta_file and ckpt_file or a model protobuf (.pb) file’,default=‘20180606’)#預訓練模型

parser.add_argument(’–classifier_filename’,

help='Classifier model file name as a pickle (.pkl) file. ’ +

‘For training this is the output and for classification this is an input.’,default=‘pick/classifier.pkl’)#.pkl檔案存儲的位置

1

2

3

4

5

6

7

8

9

10

####附錄：程式中的一些小改進：

######一）用GPU訓練模型。

原程式預設使用CPU訓練，但是這樣訓練的速度太慢，如果你電腦恰好有一塊不錯的GPU，或者實驗室裡有GPU伺服器，那麼配置好GPU環境之後（包括cuda，TensorFlow-gpu等），可以在程式中添加代碼如下：

import OS

os.environ[“CUDA_VISIBLE_DEVICES”] = ‘0’#如果有多塊顯示卡，可以指定第幾塊顯示卡，0即為第一塊顯示卡。

1

2

3

這樣，程式在執行過程中就優先調用GPU訓練模型了。

######二）微調損失函數

在《In Defense of the Triplet Loss for Person Re-Identification》這篇論文中提到：損失函數中去掉平方後效果還會更好一些，如下圖：

如果有需要的話，可以改成開方的形式，在facenet.py下的triplet_loss函數中，找到如下兩句代碼：

改成：

pos_dist = tf.sqrt(tf.reduce_sum(tf.square(tf.subtract(anchor, positive)), 1)) # tf.square:平方。tf.subtract::減法

neg_dist = tf.sqrt(tf.reduce_sum(tf.square(tf.subtract(anchor, negative)), 1))

1

2

3

即加上一個開方運算。（目前正在測試效果，以後補充……）

####附：

找到一個非常好的人臉識别領域的彙總部落格，把連結貼在這裡：格靈深瞳：人臉識别最新進展以及工業級大規模人臉識别實踐探讨 | 公開課筆記https://blog.csdn.net/guleileo/article/details/80863579

作者：東寫西讀1

來源：CSDN

原文：https://blog.csdn.net/u013044310/article/details/80481642

版權聲明：本文為部落客原創文章，轉載請附上博文連結！