# MaskInsightface

**Repository Path**: songguopeng/MaskInsightface

## Basic Information

- **Project Name**: MaskInsightface
- **Description**: 基于人脸关键区域提取的人脸识别（LFW:99.82%+ CFP_FP:98.50%+ AgeDB30:98.25%+）
- **Primary Language**: Unknown
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2022-02-07
- **Last Updated**: 2024-11-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## insightface制作自己的数据及其训练 ##

**`2019.10.21`**: 更新人脸检测模型，检测器是基于SSH，相较于原版检测，该版本主要更新了误检

**`2019.10.01`**: 公布人脸识别模型，模型基于glint和私有数据训练，在私有数据上拥有0.88的F1-score，insightface原始模型0.56

说明：算法集成insightface：https://github.com/deepinsight/insightface

改进地方：ssh(人脸检测)+prnet(68 landmark 人脸对齐， 3d人脸mask)+insightface

```
(1)修改人脸检测器（优化后的SSH，误检率更低，对大角度和blur的face进行过滤）
(2)使用68个点的landmark，prnet的对齐效果更准
(3)利用prnet拟合有效区域的人脸位置，抠出背景，以平均人脸像素填充背景，减少噪声影响，会在图片质量较好的情况下提高识别
```

![MASK0](https://github.com/bleakie/MaskInsightface/blob/master/images/src.png)

![MASK1](https://github.com/bleakie/MaskInsightface/blob/master/images/mask.png)

### 0.安装

```
(1)mxnet
(2)tensorflow
```

### 1.生成对齐后的数据集

#### 1.1.数据下载

http://trillionpairs.deepglint.com/data

cd make_rec

#### 1.2.生成,'.lst, .rec, .idx, property'

(1)为了合并数据，可采用generate_lst.sh

(2)property是属性文件，里面内容是类别数和图像大小，例如

1000,112,112 其中1000代表人脸的类别数目，图片格式为112x112（一直都不知道怎么自动生成这个，我是自己写的）

(3)```sh generate_lst.sh```

#### 1.3.生成测试文件.bin

```
python gen_valdatasets.py
```

#### 1.4.生成数据

```
python3 gen_datasets.py  #完成后会output下生成train.lst
```
### 2.验证model精度

#### 2.1.在bash

```
python3 -u ./src/eval/verification.py --gpu 0 --model "./models/glint-mobilenet/model,1" --target 'lfw'
```

#### 2.2.快捷

```
sh verification.sh
```

### 3.训练

#### 3.1.在bash里面训练

```
CUDA_VISIBLE_DEVICES='2,3,4,5' python3 -u train.py --network r100 --loss arcface --per-batch-size 64 2>&1 > log.log &
```

#### 3.2.如果想要合并不同数据集

```
CUDA_VISIBLE_DEVICES=0 python3 src/data/dataset_merge.py --include 001_data,002_data --output ms1m+vgg --model ../../models/model,1
```

### 4.result
'参数设置'
network backbone: r100 ( output=E, emb_size=512, prelu )

loss function: arcface(m=0.5)

batch-size:256, 4gpu, config.fc7_wd_mult = 10
 
lr = 0.004, lr_steps [105000, 125000, 150000], default.wd = 0.0005, end with 180001,

then retrain with lr = 0.0004, lr_steps[200000, 300000, 400000], default.wd = 0.00001


|  Data    |      LFW   |    CFP_FP    |  AgeDB30  |
| -------- | -----------|--------------|---------- |
|  ACCU(%) |    99.82+  |    98.50+    |  98.25+   |

### 5.预训练模型
1. 人脸检测模型请参见 https://github.com/bleakie/mxnet-ssh-face-detection （在自有数据集上标定+修改部分训练参数，可在FDDB上取得98.7%）

2. 人脸识别预训练模型（模型基于glint和私有数据训练,backbone resnet152，在私有数据上拥有0.88的F1-score，insightface原始模型0.56，因为进行了私有数据的增强训练，在开源测试集上效果一般）   
   链接: https://drive.google.com/drive/folders/1zWadm9yu0rcjIQ_MnoXAQ27kA-CJYGms?usp=sharing 
   百度云链接: https://pan.baidu.com/s/1ySZeJWa-r7oS4E_8dpdo4w 提取码: enph 

## Todo
0. 释放训练好的模型（PRNET，更新人脸检测模型基于Retina的RetinaDetection 链接：https://github.com/bleakie/RetinaDetector ）

1. 近期会更新新的识别策略，可相较于现版本提高2%