FaceNet源码使⽤⽅法及其迁移学习训练⾃⼰数据集的代码修
改
关于修改train_softmax.py⽂件进⾏迁移学习
⽐如：⾃⼰的数据集要识别6个⼈，最后⼀个全连接层的节点个数为6。训练的数据集路径下改成⾃⼰的数据集。
代码修改及解释有如下⼏处：
经过上⾯的修改后即可在⾃⼰的数据集上进⾏迁移学习的训练，保存最终训练的模型，其他地⽅的参数可以⾃⾏调整优化。
FaceNet源码使⽤⽅法主要参照转载⾃：
前提条件：已安装并配置好Tensorflow的运⾏环境。
第⼀步：准备facenet程序：
⼀、下载FaceNet源码。
下载地址：
⼆、精简代码。作者在代码⾥实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒不到学习这个程序的⼊⼝。建议先精简⼀下代码，便于读懂代码：新建⼀个⽂件夹，取名：facenet，把源码中的src⽂件夹直接拷贝过来。
注：便于⼤家能够看懂代码，以上两步我已经完成，同时，⾃⼰运⾏程序之后，还对⾥边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址：
第⼆步：下载预训练模型。
facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M⼈脸库训练的，不过需要去⾕歌⽹盘下载，这⾥给其中⼀个模型的百度⽹盘的链接：链接: 预训练模型百度⽹盘地址 密码: 12mh
下载完成后，把预训练模型的⽂件夹拷贝在刚才的⽂件夹⾥。⽤pycharm打开这个⼯程⽂件如图：
第三步：运⾏⼈脸⽐对程序（compare.py）。
facnet可以直接⽐对两个⼈脸经过它的⽹络映射之后的欧⽒距离。
-1、在compare.py所在⽬录下放⼊要⽐对的⽂件1.png和2.png。
-2、运⾏compare.py⽂件，但是会报错如下：
这是因为这个程序需要输⼊参数，在上⽅的⼯具栏⾥选择Run>EditConfigurations ,
在Parameters中配置参数：20170512-110547 1.png 2.png。再次运⾏程序
可以看到，程序会算出这两个图⽚的差值矩阵
第四步：图⽚预处理——运⾏⼈脸对齐程序（align\align_dataset_mtcnn.py）。
我们可以下载LFW数据集⽤来测试这个程序，也为后边的训练函数做好数据准备。
因为程序中神经⽹络使⽤的是⾕歌的“inception resnet v1”⽹络模型，这个模型的输⼊时160*160的图像，⽽我们下载的LFW数据集是250*250限像素的图像，所以需要进⾏图⽚的预处理。
在运⾏时需要输⼊的参数：
input_dir：输⼊图像的⽂件夹（E:\facenet\data\lfw E:\facenet\data\lfw）
output_dir：输出图像的⽂件夹（E:\facenet\data\lfw E:\facenet\data\lfw_160）
指定裁剪后图⽚的⼤⼩：--image_size 160 --margin 32 --random_order（如果不指定，默认的裁剪结果是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中运⾏，按照同样的⽅法配置以上参数如下：
第五步：运⾏训练程序：（train_tripletloss.py）。
前边已经下载并处理好了LFW的数据集，现在，可以进⾏训练了。
运⾏之前，要在train_tripletloss.py中把加载数据的路径改成⾃⼰的数据集所在路径，如下图：
注：train_tripletloss.py和train_softmax.py的区别：这是作者对论⽂做出的⼀个延伸，除了使⽤facenet⾥提到的train_tripletloss三元组损失函数来训练，还实现了⽤softmax的训练⽅法来训练。当然，在样本量很⼩的情况下，⽤softmax训练会更容易收敛。但是，当训练集中包含⼤量的不同个体(超过10万)时，最后⼀层的softmax输出数量就会变得⾮常⼤，但是使⽤train_tripletloss的训练仍然可以正常⼯作。
最后，附上原来的⽂件中各py⽂件的作⽤（持续更新）：
⼀、主要函数
align/ ：⽤于⼈脸检测与⼈脸对齐的神经⽹络pycharm安装教程和使用
facenet ：⽤于⼈脸映射的神经⽹络
util/plot_learning_curves.m：这是⽤来在训练softmax模型的时候⽤matlab显⽰训练过程的程序
⼆、facenet/contributed/相关函数：
1、基于mtcnn与facenet的⼈脸聚类
代码：facenet/contributed/cluster.py（facenet/contributed/clustering.py实现了相似的功能，只是没有mtcnn进⾏检测这⼀步）
主要功能：
① 使⽤mtcnn进⾏⼈脸检测并对齐与裁剪
② 对裁剪的⼈脸使⽤facenet进⾏em bedding
③ 对embedding的特征向量使⽤欧式距离进⾏聚类
2、基于mtcnn与facenet的⼈脸识别（输⼊单张图⽚判断这⼈是谁）
代码：facenet/contributed/predict.py
主要功能：
① 使⽤mtcnn进⾏⼈脸检测并对齐与裁剪
② 对裁剪的⼈脸使⽤facenet进⾏em bedding
③ 执⾏predict.py进⾏⼈脸识别（需要训练好的svm模型）
3、以numpy数组的形式输出⼈脸聚类和图像标签
代码：facenet/contributed/export_embeddings.py
主要功能：
① 需要对数据进⾏对齐与裁剪做为输⼊数据
② 输出embeddings.npy；labels.npy；label_strings.npy
补充：
⼀、对模型进⾏测试：
⽤到的函数：validate_on_lfw.py
在pycharm中配置的参数如下：
数据集所在路径模型所在路径
⽰例：
20170512-110547 1.png 2.png
这将执⾏以下四个操作：
a）加载模型。
b）加载和解析⽂本⽂件与图像对。
c）计算所有图像（以及它们的⽔平翻转版本）在测试集中的向量。
d）计算精度，验证率（@ FAR = -10e-3），曲线下⾯积（AUC）和等误差率（EER）等性能指标。
典型的输出如下：
Model directory: /home/david/models/20180402-114759/
Metagraph file: a
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
⼆、对预训练模型重新进⾏训练
有时候，我们需要⽤⾃⼰的数据集对预训练好的模型进⾏重新训练，或者之前训练了⼀个模型之后，觉得训练轮数不够，⼜不想从头开始训练，这样，在训练之前就要把之前训练的模型重新加载进去，⽅式如下：

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。