xingpanfeng / facenet-keras Goto Github PK

1. 性能情况 Performance
2. 所需环境 Environment
3. 注意事项 Attention
4. 文件下载 Download
5. 预测步骤 How2predict
6. 训练步骤 How2train
7. 参考资料 Reference

tensorflow-gpu==1.13.1
keras==2.1.5

已经训练好的facenet_mobilenet.h5和facenet_inception_resnetv1.h5可以在百度网盘下载。
链接: https://pan.baidu.com/s/19tUjcBtC_5VlBqktFG_z0w 提取码: iq26

训练用的CASIA-WebFaces数据集以及评估用的LFW数据集可以在百度网盘下载。
链接: https://pan.baidu.com/s/1fhiHlylAFVoR43yfDbi4Ag 提取码: gkch

1. 下载完库后解压，在model_data文件夹里已经有了facenet_mobilenet.h5，可直接运行predict.py输入：

img\1_001.jpg
img\1_002.jpg

2. 也可以在百度网盘下载facenet_inception_resnetv1.h5，放入model_data，修改facenet.py文件的model_path后，输入：

img\1_001.jpg
img\1_002.jpg

1. 按照训练步骤训练。
2. 在facenet.py文件里面，在如下部分修改model_path和backbone使其对应训练好的文件；model_path对应logs文件夹下面的权值文件，backbone对应主干特征提取网络。

_defaults = {
    "model_path"    : "model_data/facenet_mobilenet.h5",
    "input_shape"   : [160,160,3],
    "backbone"      : "mobilenet"
}

3. 运行predict.py，输入

img\1_001.jpg
img\1_002.jpg

1. 本文使用如下格式进行训练。

|-datasets
    |-people0
        |-123.jpg
        |-234.jpg
    |-people1
        |-345.jpg
        |-456.jpg
    |-...

2. 下载好数据集，将训练用的CASIA-WebFaces数据集以及评估用的LFW数据集，解压后放在根目录。
3. 在训练前利用txt_annotation.py文件生成对应的cls_train.txt。
4. 利用train.py训练facenet模型，训练前，根据自己的需要选择backbone，model_path和backbone一定要对应。
5. 运行train.py即可开始训练。

1. 下载好评估数据集，将评估用的LFW数据集，解压后放在根目录
2. 在eval_LFW.py设置使用的主干特征提取网络和网络权值。
3. 运行eval_LFW.py来进行模型准确率评估。

https://github.com/davidsandberg/facenet
https://github.com/timesler/facenet-pytorch