ArcFace/InsightFace使用自己数据训练/验证过程(3)

ArcFace/InsightFace使用自己数据训练/验证过程(3)

接上一章内容ArcFace/InsightFace使用自己数据训练/验证过程(2)
文章所需脚本文件下载地址

(六) 训练

进入src目录，linux命令行输入以下：

export MXNET_CPU_WORKER_NTHREADS=24
export MXNET_CUDNN_AUTOTUNE_DEFAULT=0
export MXNET_ENGINE_TYPE=ThreadedEnginePerDevice

DATA_DIR=/root/cc/faces_vgg_112x112	#数据存放目录
NETWORK=r50	#网络 默认resnet50 r100代表resnet100
JOB=softmax1e3	#
LOSS=0	#0代表使用softmax，4代表arcface等等，可以看源码
MODELDIR="/root/cc/model/model-$NETWORK-$JOB"	#模型保存位置
mkdir -p "$MODELDIR"
PREFIX="$MODELDIR/model"
CUDA_VISIBLE_DEVICES='0' python -u train_softmax.py --data-dir $DATA_DIR --network "$NETWORK" --loss-type $LOSS --prefix "$PREFIX" --per-batch-size 64

【20200505新增】建议把上面最后的命令可以修改成下面的，因为默认学习率为1，可能影响训练效果，另外上面的命令没有加载预训练模型，可能导致训练过慢，使用下面的命令，设置学习率为0.005，加载预训练模型。预训练模型下载地址链接：https://pan.baidu.com/s/1wFezqPIzrmycx9a8qNY13w 提取码：sscf

CUDA_VISIBLE_DEVICES='0' python -u train_softmax.py --data-dir /mnt/sda2/faces_vgg_112x112 --network m1 --loss-type 0 --lr 0.005 --pretrained ./models/m1-softmax-emore,1 --prefix ../models --per-batch-size 64

以上参数在1080Ti上训练可以通过，注意per-batch-size和网络的设置，数目太大可能会报错。

(七) 验证

第一种验证方式

直接测试准确率等数值，进入sce/eval目录，linux命令行输入以下：

python -u verification.py --gpu 0 --data-dir /root/cc/20_faces_datasets --model '/root/insightface-master0/models/model,0' --target 20_faces --batch-size 128

命令行参数说明：

data-dir：就是之前各种文件保存的目录
model：就是训练好的模型位置，注意地址后面有个",0"代表使用哪一次的训练结果
target：就是你测试验证的数据集的标签
batch-size：每次测试的样本数量

第二种验证方式

在验证的代码中，还有一种能够直观展示测试数据结果的方式，展示结果如下图所示，程序会自动的选择表现最优的阈值，同时把在该阈值下的False_Positive和False_Negative的人脸给一一画出来，能够直观的分析识别出错的原因。

进入sce/eval目录，在verification.py中390行左右修改图像保存地址，

linux命令行输入以下：

python -u verification.py --gpu 0 --data-dir /root/cc/20_faces_datasets --model '/root/insightface-master0/models/model,0' --target 20_faces --batch-size 128 --mode 1