TensorFlow--实现人脸识别实验精讲（Face Recognition using Tensorflow）-CSDN博客

本文链接：https://blog.csdn.net/niutianzhuang/article/details/79191167

本文详细讲解如何使用TensorFlow和facenet库进行人脸识别。从获取LFW数据集，下载并配置facenet，到使用预训练模型进行验证，最后介绍了人脸识别的基本流程和技术优势。通过十折交叉验证评估模型在LFW数据集上的准确率，探讨了人脸检测、关键点检测、验证等关键步骤，并提供了源码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

做一个人脸检测实验。

1.获取数据集（LFW）

Labeled Faces in the Wild Home Menu->Download->All images as gzipped tar file

或者直接点击我是LFW 解压放到datasets

2.下载facenet并配置（facenet 是一个使用tensorflow 进行人脸识别的开源库，我们可以依赖于它，进行人脸识别相关开发，进而降低难度与成本）

1）git clone --recursive https://github.com/davidsandberg/facenet.git

2）cd facenet/

3）pip install -r requirements.txt （这一步会把你的TF修改成1.2.0，我之前的是TensorFlow·1.4.1，执行完此命令变为了TensorFlow1.2.0）

4）export PYTHONPATH=$(pwd)/src

注意文件放置的位置！（facenet 和lfw要放在同一目录下，切记！）

facenet所在路径 /home/cjz/anaconda3/envs/tensorflow/facenet

lfw解压后所在路径：/home/cjz/anaconda3/envs/tensorflow/datasets/lfw

3.处理数据集（对齐数据集）

1）cd facenet

2） python src/align/align_dataset_mtcnn.py ~/anaconda3/envs/tensorflow/datasets/lfw ~/anaconda3/envs/tensorflow/datasets/lfw /lfw_mtcnnpy_160 --image_size 160 --margin 32 --random_order --gpu_memory_fraction 0.25 (切记，一定要写对路径，这样才能导入全部数据，并导出相同像素160*160的图片)

图片较多需要等一段时间（我的CPU跑了40-50分钟，gpu的话应该更快），

然后在这里 /home/cjz/anaconda3/envs/tensorflow/datasets/lfw/lfw_mtcnnpy_160会有对齐之后的图片了（所谓对齐，可以理解为就是同等像素大小，详解https://www.cnblogs.com/bakari/archive/2012/08/27/2658956.html）。