# Mobileface3D

**Repository Path**: Egrt/mobileface3D

## Basic Information

- **Project Name**: Mobileface3D
- **Description**: 利用PRnet获取人脸3D结构辅助人脸识别
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2022-10-24
- **Last Updated**: 2023-05-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

## Arcface：人脸识别模型在Pytorch当中的实现
---

## 目录
1. [仓库更新 Top News](#仓库更新)
2. [所需环境 Environment](#所需环境)
3. [注意事项 Attention](#注意事项)
4. [文件下载 Download](#文件下载)
5. [预测步骤 How2predict](#预测步骤)
6. [训练步骤 How2train](#训练步骤)
7. [参考资料 Reference](#Reference)

## Top News
**`2022-03`**:**创建仓库，支持不同模型训练，支持大量可调整参数，支持step、cos学习率下降法、支持adam、sgd优化器选择、支持学习率根据batch_size自适应调整、新增图片裁剪。**  

## 所需环境
pytorch==1.2.0

## 文件下载

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/1qMxFR8H_ih0xmY-rKgRejw 提取码: bcrq   

## 预测步骤
### a、使用预训练权重
1. 下载完库后解压，可直接运行predict.py输入：
```python
img\1_001.jpg
img\1_002.jpg
```  
2. 也可以在百度网盘下载权值，放入model_data，修改arcface.py文件的model_path后，输入：
```python
img\1_001.jpg
img\1_002.jpg
```  
### b、使用自己训练的权重
1. 按照训练步骤训练。  
2. 在arcface.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**。  
```python
_defaults = {
    #--------------------------------------------------------------------------#
    #   使用自己训练好的模型进行预测要修改model_path，指向logs文件夹下的权值文件
    #   训练好后logs文件夹下存在多个权值文件，选择验证集损失较低的即可。
    #   验证集损失较低不代表准确度较高，仅代表该权值在验证集上泛化性能较好。
    #--------------------------------------------------------------------------#
    "model_path"        : "model_data/arcface_mobilefacenet.pth",
    #--------------------------------------------------------------------------#
    #   输入图片的大小。
    #--------------------------------------------------------------------------#
    "input_shape"       : [112, 112, 3],
    #--------------------------------------------------------------------------#
    #   所使用到的主干特征提取网络，与训练的相同
    #--------------------------------------------------------------------------#
    "backbone"          : "arcface_mobilefacenet",
    #--------------------------------------#
    #   是否进行不失真的resize
    #--------------------------------------#
    "letterbox_image"   : True,
    #--------------------------------------#
    #   是否使用Cuda
    #   没有GPU可以设置成False
    #--------------------------------------#
    "cuda"              : True,
}
```
3. 运行predict.py，输入  
```python
img\1_001.jpg
img\1_002.jpg
```  

## 训练步骤
1. 本文使用如下格式进行训练。
其中npy文件为使用PRNet预测的人脸3维结构矩阵，存储类型为numpy shape为(3, 112, 112)
```
|-datasets
    |-people0
        |-123.jpg
        |-123.npy
        |-234.jpg
        |-234.npy
    |-people1
        |-345.jpg
        |-345.npy
        |-456.jpg
        |-456.npy
    |-...
```  
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img_pair.py文件生成人脸jpg图片对应的保存了3维结构矩阵的npy文件。
4. 在训练前利用txt_annotation.py文件生成对应的cls_train.txt。  
5. 利用train.py训练模型，训练前，根据自己的需要选择backbone，model_path和backbone一定要对应。
6. 运行train.py即可开始训练。

## 评估步骤
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。

## Reference
https://github.com/deepinsight/insightface  
https://github.com/timesler/facenet-pytorch