Facenet：人脸识别模型在Keras当中的实现

---

目录

1. 仓库更新 Top News
2. 相关仓库 Related code
3. 性能情况 Performance
4. 所需环境 Environment
5. 注意事项 Attention
6. 文件下载 Download
7. 预测步骤 How2predict
8. 训练步骤 How2train
9. 参考资料 Reference

Top News

2022-03:进行了大幅度的更新，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整。
BiliBili视频中的原仓库地址为：https://github.com/bubbliiiing/facenet-keras/tree/bilibili

2021-02:创建仓库，支持模型训练，大量的注释，多个可调整参数，lfw数据集评估等。

相关仓库

模型	路径
facenet	https://github.com/bubbliiiing/facenet-keras
arcface	https://github.com/bubbliiiing/arcface-keras
retinaface	https://github.com/bubbliiiing/retinaface-keras
facenet + retinaface	https://github.com/bubbliiiing/facenet-retinaface-keras

性能情况

训练数据集	权值文件名称	测试数据集	输入图片大小	accuracy
CASIA-WebFace	facenet_mobilenet.h5	LFW	160x160	97.86%
CASIA-WebFace	facenet_inception_resnetv1.h5	LFW	160x160	99.02%

所需环境

tensorflow-gpu==1.13.1
keras==2.1.5

文件下载

已经训练好的facenet_mobilenet.h5和facenet_inception_resnetv1.h5可以在百度网盘下载。
链接: https://pan.baidu.com/s/1XzwLpU3zPFW7QK045UDgkQ 提取码: 596k

训练用的CASIA-WebFaces数据集以及评估用的LFW数据集可以在百度网盘下载。
链接: https://pan.baidu.com/s/1qMxFR8H_ih0xmY-rKgRejw 提取码: bcrq

预测步骤

a、使用预训练权重

1. 下载完库后解压，在model_data文件夹里已经有了facenet_mobilenet.h5，可直接运行predict.py输入：

img\1_001.jpg
img\1_002.jpg

2. 也可以在百度网盘下载facenet_inception_resnetv1.h5，放入model_data，修改facenet.py文件的model_path后，输入：

img\1_001.jpg
img\1_002.jpg

b、使用自己训练的权重

1. 按照训练步骤训练。
2. 在facenet.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；model_path对应logs文件夹下面的权值文件，backbone对应主干特征提取网络。

_defaults = {
    "model_path"    : "model_data/facenet_mobilenet.h5",
    "input_shape"   : [160,160,3],
    "backbone"      : "mobilenet"
}

3. 运行predict.py，输入

img\1_001.jpg
img\1_002.jpg

训练步骤

1. 本文使用如下格式进行训练。

|-datasets
    |-people0
        |-123.jpg
        |-234.jpg
    |-people1
        |-345.jpg
        |-456.jpg
    |-...

2. 下载好数据集，将训练用的CASIA-WebFaces数据集以及评估用的LFW数据集，解压后放在根目录。
3. 在训练前利用txt_annotation.py文件生成对应的cls_train.txt。
4. 利用train.py训练facenet模型，训练前，根据自己的需要选择backbone，model_path和backbone一定要对应。
5. 运行train.py即可开始训练。

评估步骤

1. 下载好评估数据集，将评估用的LFW数据集，解压后放在根目录
2. 在eval_LFW.py设置使用的主干特征提取网络和网络权值。
3. 运行eval_LFW.py来进行模型准确率评估。

Reference

https://github.com/davidsandberg/facenet
https://github.com/timesler/facenet-pytorch