人脸识别0-01：insightFace-模型复现-史上最全

以下链接是个人关于insightFace所有见解，如有错误欢迎大家指出，我会第一时间纠正，如有兴趣可以加微信：17575010159 相互讨论技术。
人脸识别0-00：insightFace目录:https：//blog.csdn.net/weixin_43013761/article/details/99646731：
这是本人项目的源码：https://github.com/944284742/1.FaceRecognition
其中script目录下的文件为本人编写，主要用于适应自己的项目，可以查看该目录下的redeme文件。

资源链接

论文链接：https://arxiv.org/abs/1801.07698
insightFace (Mxnet源码)：https://github.com/deepinsight/insightface

模型下载

在下载到源码之后，不必多说，首先阅读的是README.md文件。相信大家也很想看看insightFace成型之后的效果是什么样子，下面是其预训练模型的网址：
https://github.com/deepinsight/insightface/wiki/Model-Zoo
本人现在的模型是其中的：3.4 MobileFaceNet,ArcFace@ms1m-refine-v1
下载完成之后放到源码的models目录下。

完成之后，在使用他进行预训练之前，当然需要测试一下，看看该模型到底到底怎样。既然要进行测试，那么当然我们需要下载测试的数据，作者已经提供了很多数据。
数据下载链接：https://github.com/deepinsight/insightface/wiki/Dataset-Zoo
本人使用的是其中的：MS1M-ArcFace (85K ids/5.8M images) [5,7] (Recommend)
其实，下载任意一个都可以，因为都包含了4个测试数据集：lfw.bin，cfp_fp.bin，cfp_ff.bin，agedb_30.bin

下载完成之后，解压之后如下：

后续会给大家讲解验证集数据的制作过程，即.bin文件的制作过程。

模型测试

模型的测试十分的简单，运行源码\recognition\eval\verification.py即可。当然在运行之前需要指定一些参数，本人设置如下，可做参考：

  parser.add_argument('--data-dir', default='D:/03.work/02.development/04.PaidOn/1.FaceRecognition/2.Dataset/1.OfficialData/1.traindata/faces_ms1m_112x112', help='')
  parser.add_argument('--model', default='../../models/model-y1-test2/model,0', help='path to load model.')
  parser.add_argument('--target', default='lfw,cfp_ff,cfp_fp,agedb_30', help='test targets.')

然后运行就可以了，运行结果类似如下：

testing verification..
(11096, 128)
infer time 86.28535400000017
[lfw]XNorm: 11.154407
[lfw]Accuracy: 0.00000+-0.00000
[lfw]Accuracy-Flip: 0.99495+-0.00194
Max of [lfw] is 0.99495

testing verification..
(14000, 128)
infer time 111.94842500000017
[cfp_ff]XNorm: 11.125648
[cfp_ff]Accuracy: 0.00000+-0.00000
[cfp_ff]Accuracy-Flip: 0.99514+-0.00273
Max of [cfp_ff] is 0.99514

testing verification..
(14000, 128)
infer time 105.0167779999998
[cfp_fp]XNorm: 9.226305
[cfp_fp]Accuracy: 0.00000+-0.00000
[cfp_fp]Accuracy-Flip: 0.88614+-0.02141
Max of [cfp_fp] is 0.88614

testing verification..
(12000, 128)
infer time 80.55722499999989
[agedb_30]XNorm: 11.045681
[agedb_30]Accuracy: 0.00000+-0.00000
[agedb_30]Accuracy-Flip: 0.95600+-0.01230
Max of [agedb_30] is 0.95600

可以看到，我们使用小型的MobileFaceNets，其准确率都是非常高的。