下一章：深度篇——人脸识别(一) ArcFace 论文 翻译
论文地址: 《ArcFace: Additive Angular Margin Loss for Deep Face Recognition》
源码地址: InsightFace: 2D and 3D Face Analysis Project
我优化的项目地址: insight_face_pro
本小节，人脸识别代码 insight_face_pro 项目讲解
二. 人脸识别代码 insight_face_pro 项目讲解
insight_face_pro 项目 结构如下：
我这里，仅以 f_mobile_face_net.py 网络模型来说明，如果你想尝试其他网络模型，请参考论文源码，修改一下，就可以用的了。
在对项目操作前，请先看 README.md 和 config.py 文件，这里，一个是说明文件，一个是配置文件。
README.md 文件 (论文，模型，数据，项目都可以从里面找到下载地址)
# [insight_face_pro](https://github.com/wandaoyi/insight_face_pro)
tensorflow, mxnet 版本的 insight_face 人脸识别项目 2020-07-23
-
- [论文地址](https://arxiv.org/abs/1801.07698)
- [论文对应源码地址](https://github.com/deepinsight/insightface)
- [我的 CSDN 博客](https://blog.csdn.net/qq_38299170)
- 环境依赖(其实版本要求并不严格，你的版本要是能跑起来，那也是OK的)：
```bashrc
pip install easydict
pip install numpy==1.16
conda install tensorflow-gpu==1.12.0
pip install mxnet-cu90
pip install opencv-python
```
-
- [训练和验证数据下载地址](https://github.com/deepinsight/insightface/wiki/Dataset-Zoo)
- [预训练模型下载地址](https://github.com/deepinsight/insightface/wiki/Model-Zoo)
- All face images are aligned by [MTCNN](https://kpzhang93.github.io/MTCNN_face_detection_alignment/index.html) and cropped to 112x112
- Face Detection, Please check RetinaFace(我的代码中没加入有, 但在作者源码中有) for more details
-
-
- 将数据放到指定的文件目录下(config.py 文件):
- 其实，做好依赖，拿到数据，就仔细看看 config.py 文件，里面全是配置。配好路径或一些超参，基本上，后面就是一键运行就 OK 了。
- 对 config.py 进行配置设置。
## 数据生成
- 对于模型的训练或验证，我们都需要数据，这些数据，可以去下载开源的，也可以自己制作。
- 这里对于制作人脸数据，我使用的是数据蒸馏的方法。
- data_distillation.py 图原图进行人脸检测，人脸分类，人脸聚类等操作
- prepare.py 对分类或聚类后的人脸数据生成 .bin, .rec, .idx 等数据
- video_2_image.py 是将 视频流 转为 图像流
## 训练模型
- face_train.py 人脸识别训练
## 模型验证
- verification_model.py 人脸识别模型验证
-
- 对于模型测试，想弄的话，也很简单，利用数据库保存录入人的信息
- 测试的初始化，就将初始化 128 维人脸特征保存到缓存
- 当新的图像进入，先人脸检测，人脸矫正，再提取 128 维人脸特征
- 之后，再将新图像的 128 维特征 与 缓存的 128 维特征进行相似度计算
- 最后，选择大于阈值的人脸结果，再根据缓存获取到该用户的信息
## 本项目的优点
- 就是方便，很多东西，我已经做成傻瓜式一键操作的方式。里面的路径，如果不喜欢用相对路径的，可以在 config.py 里面选择 绝对路径
- 本人和唠叨，里面的代码，基本都做了注解，就怕有人不理解，不懂，我只是希望能给予不同的你，一点点帮助。
1. 模型验证(verification_model.py)
根据从 README.md 中下载的 数据 和 预训练模型，将其放置到 verification_model.py 文件中所指定的路径下，或，修改 config.py 中的路径，然后，一键运行 verification_model.py 文件，即可验证模型的精度。
我们可以观察到，预训练模型的 mAp 精度在 99.4% ~ 99.5% 左右。精度是相当高的，但是，对于人脸识别来说，这样的精度是不够的，需要更高的精度，才能满足业务需求(现在商汤人脸识别精度达到 99.8%左右)。这就需要对预训练模型，进行进一步训练，从而提升精度来契合业务需求。
2. 模型训练(face_train.py)
打开 face_train.py 文件，观察 def __init__(self): 方法中的 config.py 配置文件，配置好，还有将 __C.COMMON.STRUCTURE_DICT 中的参数配置好，就可以一键运行 face_train.py 文件，开始训练模型。
f_mobile_face_net.py 使用的是一个全卷积的残差网络，最后再加上一个 128 维的全连接层，然后，引入 margin_softmax 损失函数。训练的过程，请参考论文中的 Figure. 2 图所示:
在训练的过程中，发现有时候精度很难再提高，这时就需要对训练进行调优操作了：如学习率，数据，迭代次数，交叉验证，优化器等等。可以参考我前面的博客: 深度篇——神经网络(一) 神经元与感知机 里面有 讲到调优的方法。
对于训练和验证，可以参考 README.md 文件，里面有更多的 数据集 和 预训练模型。可以让你玩得开心。
3. 数据制作
这里的数据制作，包括两步：一步是数据蒸馏(data_distillation.py)，一步是将目标数据制作成 .bin、.rec、.idx 验证和训练数据(prepare.py)。文件，都是一键运行操作的。
这里的数据蒸馏，是相对于图像来进行的，如果我们一下子搞不到大量的图像数据，我们可以通过将视频流转为图像流，从而得到大量的图像(video_2_image.py)。
数据蒸馏，大致可以分为 3 步(data_distillation.py):
(1). 对输入 图像 进行人脸检测 和人脸矫正
工作原理为: MTCNN_face_detection_alignment
(2). 对矫正后的人脸图像，进行分类，根据 identity 来对人脸进行分类。
在人脸分类中，info 文件夹中会生成三个 txt 文件(这 3 个文件只是用来做人工细化，对代码运行并无影响):
create_lib.txt 表示创建 新的 identity 文件夹，即表示当前的人脸与已有的人脸 identity 不同。
in_storage.txt 表示 与当前已有的人脸 identity 相同，然后会根据人脸相似度入库到对应的文件夹中去。
not_recognize.txt 表示没辨认出来的人脸，图像会输出到 output 文件夹中
在人脸分类后，我们可以人工参照 txt 和 identity 人脸文件夹中的人脸来进行辨别，是否有分错的，有些明显分错的人脸，我们要重新对它们入库，或移除。
(3). 对分类后的人脸图像进行聚类，以消除部分噪声人脸
人脸聚类，可以在一定程度上对 identity 身份文件夹中分错的人脸，或同样的人脸，进行一步提炼，会根据 人脸相似度来移除那些分错的人脸，和相同的人脸。从而在一定程度上减少手动观察筛选的操作，提高了工作效率。如果有相同的图像或分错的图像，也会在 info 文件夹中生成 txt 文件。
在人脸数据蒸馏的过程中，常常会于是一种脸盲的尴尬地步。就是，有时候，你会发现，有很多人脸，你感觉，它们都长得一样的，但是，计算机却有判断它们不一样。或，你明明感觉，它们不太像，但是，计算机又判断它们是同一个 identity。从而有些怀疑人生的感觉
生成训练、测试数据：
将上面数据蒸馏得到的好数据，用于生成 训练、测试数据(prepare.py): 通过上面数据蒸馏的繁琐操作，到了这里，就简单了，将数据放到指定的文件夹，一键运行操作即可得到目标数据。生成的训练数据中，property 文件表示如下：
class_num 即为 identity number 的意思，表示有多少个人脸身份。
info 文件夹中会有这 3 个 txt 文件生成：
pair.tx 表示 生成 .bin 文件中，两两配对的图像，是否是同一个身份。如果是 True 则为同一个身份，False 则为不同身份
train_data.txt 表示 训练数据
val_data.txt 表示验证数据，pair.txt 就是由 这里的数据生成的。
这些 info 中的文件，只是用于参考 ，并不影响项目的运行。
下一章：深度篇——人脸识别(一) ArcFace 论文 翻译