训练自己的数据_ArcFace/InsightFace使用自己数据训练人脸识别（2/2）

人脸识别

接上一章内容ArcFace/InsightFace使用自己数据训练人脸识别(1/2)

文章中所需的脚本文件下载地址见第一个评论

六、训练
进入src目录，linux命令行输入以下：

export MXNET_CPU_WORKER_NTHREADS=24export MXNET_CUDNN_AUTOTUNE_DEFAULT=0export MXNET_ENGINE_TYPE=ThreadedEnginePerDeviceDATA_DIR=/root/cc/faces_vgg_112x112#数据存放目录NETWORK=r50#网络 默认resnet50 r100代表resnet100JOB=softmax1e3#LOSS=0#0代表使用softmax，4代表arcface等等，可以看源码MODELDIR="/root/cc/model/model-$NETWORK-$JOB"#模型保存位置mkdir -p "$MODELDIR"PREFIX="$MODELDIR/model"CUDA_VISIBLE_DEVICES='0' python -u train_softmax.py --data-dir $DATA_DIR --network "$NETWORK" --loss-type $LOSS --prefix "$PREFIX" --per-batch-size 64# 加载预训练模型，训练快，设置学习率为0.005，可减少错误，可使用以下命令CUDA_VISIBLE_DEVICES='0' python -u train_softmax.py --data-dir /mnt/sda2/faces_vgg_112x112 --network m1 --loss-type 0 --lr 0.005 --pretrained ./models/m1-softmax-emore,1-softmax-emore,1 --prefix ../models --per-batch-size 64
输入shell命令时，注意取出#后面的文字

以上参数在1080Ti上训练可以通过，注意per-batch-size和网络的设置，数目太大可能会报错。

七、测试验证
第一种验证方式
直接测试准确率等数值，进入sce/eval目录，linux命令行输入以下：

python -u verification.py --gpu 0 --data-dir /root/cc/20_faces_datasets --model '/root/insightface-master0/models/model,0' --target 20_faces --batch-size 128
命令行参数说明：

data-dir：就是之前各种文件保存的目录
model：就是训练好的模型位置，注意地址后面有个",0"代表使用哪一次的训练结果
target：就是你测试验证的数据集的标签
batch-size：每次测试的样本数量

第二种验证方式
在验证的代码中，还有一种能够直观展示测试数据结果的方式，展示结果如下图所示，程序会自动的选择表现最优的阈值，同时把在该阈值下的False_Positive和False_Negative的人脸给一一画出来，能够直观的分析识别出错的原因。

测试结果保存

进入sce/eval目录，在verification.py中390行左右修改图像保存地址

代码修改说明

linux命令行输入以下：

python -u verification.py --gpu 0 --data-dir /root/cc/20_faces_datasets --model '/root/insightface-master0/models/model,0' --target 20_faces --batch-size 128 --mode 1
有其他问题，可以评论，我会及时解决
相关资源：ArcFace/InsightFace使用自己数据训练/验证过程(2)-附件资源