轉：史上最全的FaceNet源碼使用方法和講解（一）（附預訓練模型下載下傳）

文章位址：史上最全的FaceNet源碼使用方法和講解（一）（附預訓練模型下載下傳）轉載請注明出處。

前提條件：已安裝并配置好Tensorflow的運作環境。

第一步：準備facenet程式：

一、下載下傳FaceNet源碼。

下載下傳位址：facenet源碼

二、精簡代碼。作者在代碼裡實作了很多功能，但是對于初學者來說，很多代碼是沒有必要的，反倒找不到學習這個程式的入口。建議先精簡一下代碼，便于讀懂代碼：建立一個檔案夾，取名：facenet，把源碼中的src檔案夾直接拷貝過來。

注：便于大家能夠看懂代碼，以上兩步我已經完成，同時，自己運作程式之後，還對裡邊的代碼做了詳細的注釋，如果想先了解facenet的源碼，強烈建議下載下傳這個，下載下傳位址：facenet精簡版

當然，大家别忘了順手點個星哦~~~

第二步：下載下傳預訓練模型。

facenet提供了兩個預訓練模型，分别是基于CASIA-WebFace和MS-Celeb-1M人臉庫訓練的，不過需要去谷歌網盤下載下傳，這裡給其中一個模型的百度網盤的連結：連結: 預訓練模型百度網盤位址 密碼: 12mh

下載下傳完成後，把預訓練模型的檔案夾拷貝在剛才的檔案夾裡。用pycharm打開這個工程檔案如圖：

第三步：運作人臉比對程式（compare.py）。

facenet可以直接比對兩個人臉經過它的網絡映射之後的歐氏距離。

-1、在compare.py所在目錄下放入要比對的檔案1.png和2.png。

-2、運作compare.py檔案，但是會報錯如下：

這是因為這個程式需要輸入參數，在上方的工具欄裡選擇Run>EditConfigurations ,在Parameters中配置參數：20170512-110547 1.png 2.png。再次運作程式

可以看到，程式會算出這兩個圖檔的內插補點矩陣

第四步：圖檔預處理——運作人臉對齊程式（align\align_dataset_mtcnn.py）。

我們可以下載下傳LFW資料集用來測試這個程式，也為後邊的訓練函數做好資料準備。

下載下傳連結：http://vis-www.cs.umass.edu/lfw/。下載下傳後解壓在data檔案夾中。

因為程式中神經網絡使用的是谷歌的“inception resnet v1”網絡模型，這個模型的輸入時160160的圖像，而我們下載下傳的LFW資料集是250250限像素的圖像，是以需要進行圖檔的預處理。

在運作時需要輸入的參數：

input_dir:輸入圖像的檔案夾（E:\facenet\data\lfw E:\facenet\data\lfw）

output_dir:輸出圖像的檔案夾（E:\facenet\data\lfw E:\facenet\data\lfw_160）

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

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中運作，按照同樣的方法配置以上參數如下：

第五步：運作訓練程式：（train_tripletloss.py）。

前邊已經下載下傳并處理好了LFW的資料集，現在，可以進行訓練了。

運作之前，要在train_tripletloss.py中把加載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的差別：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三元組損失函數來訓練，還實作了用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。

更多内容參見：史上最全的FaceNet源碼使用方法和講解（二）

最後，附上原來的檔案中各py檔案的作用（持續更新）：

一、主要函數

align/ ：用于人臉檢測與人臉對齊的神經網絡

facenet ：用于人臉映射的神經網絡

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/相關函數：

1、基于mtcnn與facenet的人臉聚類

代碼：facenet/contributed/cluster.py（facenet/contributed/clustering.py實作了相似的功能，隻是沒有mtcnn進行檢測這一步）

主要功能：

① 使用mtcnn進行人臉檢測并對齊與裁剪

② 對裁剪的人臉使用facenet進行embedding

③ 對embedding的特征向量使用歐式距離進行聚類

2、基于mtcnn與facenet的人臉識别（輸入單張圖檔判斷這人是誰）

代碼：facenet/contributed/predict.py

主要功能：

① 使用mtcnn進行人臉檢測并對齊與裁剪

② 對裁剪的人臉使用facenet進行embedding

③ 執行predict.py進行人臉識别（需要訓練好的svm模型）

3、以numpy數組的形式輸出人臉聚類和圖像标簽

代碼：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

作者：東寫西讀1

來源：CSDN

原文：https://blog.csdn.net/u013044310/article/details/79556099

版權聲明：本文為部落客原創文章，轉載請附上博文連結！