之前写过一篇人脸识别从原理到实践 详细介绍了人脸识别相关的算法、模型和Loss等，里面也提到insightface成为当前工业事实上的基准。但是它各种牛逼，唯一不足的点就是开始时选了mxnet框架开发，奈何现在基本没什么人用了，所以在22年3月官方悄悄的把主线版本特别是PartialFC的实现换成了pytorch，而且更早之前经历过一次大的文件结构调整，加入了paddle、oneflow等很多框架的实现，但是也导致很多之前教程给的路径都找不到了，还有一些文件直接就删除了，这对于新入手造成了很大的困扰。我是非常反对这种开发中途变更，对于新出的算法新开个仓库就是了，估计为了涨star。作者过佳曾在 InsightFace大规模人脸识别 进行过讲解。
刚开始相信大家一定和我一样有数不清的疑惑，首先是怎么安装和运行，虽然主线版本切了pytorch，但是数据集制作用的还是mxnet，而mxnet又疏于维护，存在非常多的坑，特别是对于30x0系列的新显卡，装上后各种问题。目前我用的CUDA版本为11.3，用Anaconda装的python3.8，mxnet1.7之前的默认是不需要nccl(用于显卡并行通信的库)的，1.8之后需要另外安装nccl库，版本为2.8.4
conda install cudatoolkit=11.3 cudnn --channel https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/Paddle/
pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html
pip install mxnet-cu112==1.8.0.post
pip install paddlepaddle-gpu==2.2.2.post110 -f https://www.paddlepaddle.org.cn/whl/linux/mkl/avx/stable.html
装好后就可以体验下人脸识别系统的效果啦基于insightface实现的人脸识别和人脸注册
pip install Cython insightface==0.6.2
pip install onnxruntime-gpu -i https://mirror.baidu.com/pypi/simple也可以参考insight-face-paddle ，对应的视频教程
看到效果这么好，是不是想自己训一个模型，那怎么训练呢？
其实人脸识别真正的入口在arcface_torch 数据集下载链接，具体每个数据集的统计指标如下
下载后数据后配置RAM，也就是把数据放到内存里，这里训练主机有256G内存，切出140G用于存放数据(为什么140呢？因为glint360k占的空间是那么大)，这里以MS1MV2为例
sudo mkdir /train_tmp
sudo mount -t tmpfs -o size=140G tmpfs /train_tmp
sudo cp data/faces_emore /train_tmp/ -r用下面的代码就可以愉快的开始训练了，单机器8卡V100需要约8个小时，训练速度是10000张/秒，也就是每天能训8.64亿张图，非常恐怖的数字，所以如果你的数据达不到1000张每秒每卡的话可能就需要检查下配置是不是出了什么问题了.
cd recognition/arcface_torch
python -m torch.distributed.launch --nproc_per_node=1 --nnodes=1 --node_rank=0 --master_addr="127.0.0.1" --master_port=12581 train.py configs/ms1mv2_mbf.py训练过程中每个2000个iter会在测试集上评估当前的精度，如日志ms1mv2_mbf/training.log
Training: 2022-04-10 23:14:04,187-rank_id: 0
Training: 2022-04-10 23:14:18,205-: margin_list [1.0, 0.5, 0.0]
Training: 2022-04-10 23:14:18,205-: network mbf
Training: 2022-04-10 23:14:18,205-: resume False
Training: 2022-04-10 23:14:18,205-: output work_dirs/ms1mv2_mbf
Training: 2022-04-10 23:14:18,205-: embedding_size 512
Training: 2022-04-10 23:14:18,205-: sample_rate 1.0
Training: 2022-04-10 23:14:18,205-: interclass_filtering_threshold0
Training: 2022-04-10 23:14:18,205-: fp16 True
Training: 2022-04-10 23:14:18,205-: batch_size 128
Training: 2022-04-10 23:14:18,206-: optimizer sgd
Training: 2022-04-10 23:14:18,206-: lr 0.1
Training: 2022-04-10 23:14:18,206-: momentum 0.9
Training: 2022-04-10 23:14:18,206-: weight_decay 0.0001
Training: 2022-04-10 23:14:18,206-: verbose 2000
Training: 2022-04-10 23:14:18,208-: frequent 10
Training: 2022-04-10 23:14:18,208-: dali False
Training: 2022-04-10 23:14:18,208-: rec /train_tmp/faces_emore
Training: 2022-04-10 23:14:18,208-: num_classes 85742
Training: 2022-04-10 23:14:18,208-: num_image 5822653
Training: 2022-04-10 23:14:18,208-: num_epoch 40
Training: 2022-04-10 23:14:18,208-: warmup_epoch 0
Training: 2022-04-10 23:14:18,208-: val_targets ['lfw', 'cfp_fp', 'agedb_30']
Training: 2022-04-10 23:14:18,210-: total_batch_size 1024
Training: 2022-04-10 23:14:18,210-: warmup_step 0
Training: 2022-04-10 23:14:18,210-: total_step 227440
...
Training: 2022-04-10 23:18:56,638-[lfw][2000]XNorm: 20.481429
Training: 2022-04-10 23:18:56,638-[lfw][2000]Accuracy-Flip: 0.96000+-0.00853
Training: 2022-04-10 23:18:56,641-[lfw][2000]Accuracy-Highest: 0.96000
Training: 2022-04-10 23:19:21,795-[cfp_fp][2000]XNorm: 18.461583
Training: 2022-04-10 23:19:21,795-[cfp_fp][2000]Accuracy-Flip: 0.75300+-0.02095
Training: 2022-04-10 23:19:21,796-[cfp_fp][2000]Accuracy-Highest: 0.75300
Training: 2022-04-10 23:19:43,475-[agedb_30][2000]XNorm: 19.645099
Training: 2022-04-10 23:19:43,476-[agedb_30][2000]Accuracy-Flip: 0.81717+-0.02153
Training: 2022-04-10 23:19:43,476-[agedb_30][2000]Accuracy-Highest: 0.81717
...
...
Training: 2022-04-11 07:17:07,878-[lfw][226000]XNorm: 7.635595
Training: 2022-04-11 07:17:07,878-[lfw][226000]Accuracy-Flip: 0.99717+-0.00289
Training: 2022-04-11 07:17:07,879-[lfw][226000]Accuracy-Highest: 0.99750
Training: 2022-04-11 07:17:32,307-[cfp_fp][226000]XNorm: 6.540276
Training: 2022-04-11 07:17:32,308-[cfp_fp][226000]Accuracy-Flip: 0.95586+-0.01115
Training: 2022-04-11 07:17:32,308-[cfp_fp][226000]Accuracy-Highest: 0.95943
Training: 2022-04-11 07:17:53,429-[agedb_30][226000]XNorm: 7.491025
Training: 2022-04-11 07:17:53,429-[agedb_30][226000]Accuracy-Flip: 0.97050+-0.00730
Training: 2022-04-11 07:17:53,430-[agedb_30][226000]Accuracy-Highest: 0.97183用官方提供的数据集训的都挺不错的，可是一旦放到实际中使用，就会出现各种各样的问题，这时就需要自己搜集数据了，具体可参见人脸识别之insightface开源代码使用：训练、验证、测试（2）但是其用的都是旧代码，新代码直接用mxnet的im2rec就可以了，具体可参见prepare_webface42m 请注意这里存的都是检测后并且对齐的人脸图，大小为112x112
├── 0_0_0000000
│ ├── 0_0.jpg
│ ├── 0_1.jpg
│ ├── 0_2.jpg
│ ├── 0_3.jpg
│ └── 0_4.jpg
├── 0_0_0000001
│ ├── 0_5.jpg
│ ├── 0_6.jpg
│ ├── 0_7.jpg
│ ├── 0_8.jpg
│ └── 0_9.jpg
├── 0_0_0000002
│ ├── 0_10.jpg
│ ├── 0_11.jpg
│ ├── 0_12.jpg
│ ├── 0_13.jpg
│ ├── 0_14.jpg
│ ├── 0_15.jpg
│ ├── 0_16.jpg
│ └── 0_17.jpg
├── 0_0_0000003
│ ├── 0_18.jpg
│ ├── 0_19.jpg
│ └── 0_20.jpg
├── 0_0_0000004# 1) create train.lst using follow command
python -m mxnet.tools.im2rec --list --recursive train WebFace42M_Root
# 2) create train.rec and train.idx using train.lst using following command
python -m mxnet.tools.im2rec --num-thread 16 --quality 100 train WebFace42M_Root验证在训练过程中就已经评估了，具体做了哪些工作可参见人脸识别之insightface开源代码使用：训练、验证、测试（3）
最后就是部署使用了人脸识别之insightface开源代码使用：训练、验证、测试（4）
Partial FC是近来比较大的更新，可以看下论文理解详细解读
如果去找工作，肯定免不了被人问arcloss是怎么实现的，这块可参考
手撕代码insightFace中的arcface_torch
insightface 中 Partical_FC源码学习
def sample(self, total_label):
"""
Sample all positive class centers in each rank, and random select neg class centers to filling a fixed
`num_sample`.
total_label: tensor
Label after all gather, which cross all GPUs.
"""
### 当前GPU负责[self.class_start, self.class_start + self.num_local)的这些正类
index_positive = (self.class_start <= total_label) & (total_label < self.class_start + self.num_local)
total_label[~index_positive] = -1 # 不属于当前GPU负责的正类
total_label[index_positive] -= self.class_start # 当前GPU的类标号从0开始
if int(self.sample_rate) != 1:
positive = torch.unique(total_label[index_positive], sorted=True) # 找到当前batch出现的当前GPU负责的正类标签
if self.num_sample - positive.size(0) >= 0: # 当前GPU负责的负类个数
perm = torch.rand(size=[self.num_local], device=self.device) # 均匀分布，[0,1]之间随机数，选择每类的概率
# [0.5470, 0.5663, 0.5749, 0.5003, 0.5056, 0.4121, 0.4119, 0.7815, 0.1450, 0.8829, 0.0609, 0.9660]
perm[positive] = 2.0 # 将positive设置为2,下一步排序会被选上
# [0.9709, 2.0000, 0.5654, 2.0000, 0.8771, 2.0000, 0.1031, 0.4720, 0.4122, 0.6403, 0.0315, 0.7885]
index = torch.topk(perm, k=self.num_sample)[1]
# 假设sample_rate=0.5, int(13*0.5)=6, 从所有类中选出6类，期中positive已确定，negative按照之前的顺序选3个
# [2.0000, 2.0000, 2.0000, 0.9709, 0.8771, 0.7885]
# [ 3, 5, 1, 0, 4, 11]
index = index.sort()[0]
# tensor([ 0, 1, 3, 4, 5, 11])
else:
index = positive
self.index = index
# torch.searchsorted(sorted_sequence, values):找到values在sorted_sequence中的位置
# right=False(默认),与左边值作比较；right=True,与右侧值作比较
# 需要在已排序好的数组中作比较
# 将当前GPU的label放入整个GPU中
total_label[index_positive] = torch.searchsorted(index, total_label[index_positive])
self.sub_weight = Parameter(self.weight[index])
self.sub_weight_mom = self.weight_mom[index]