该仓库归纳了用mobilenet加arcfaceloss训练模型的keras框架，并提供将模型转为八位tflite的脚本。该仓库包括：
- 针对人脸识别场景优化后的mobilenetV2主干网络(keras实现)。
- ArcfaceLoss(Keras实现)
- 基于keras的训练框架与评估框架
- 训练保存权重(h5文件)转8位量化tflite文件脚本，以及对应的测试脚本
训数据
训练数据与测试数据引用了前人的成果，数据集采用ms1m-refine-v2(MS1M-ArcFace, 链接)，该数据集为arcfaceloss原作者清洗后的人脸数据，包含85742个不同人的人脸数据，原作者使用的mxnet数据存储格式。本仓库使用tf后端的keras，可以采用这个脚本，将其转换为tfrecode的格式。 也可以使用我转换好的数据：baidu(提取码：5nwq)。 注意，其中train.tfrecords为转换后的数据集，train.rec与train.idx为mxnet格式数据集。其他*.bin为测试数据集。
依赖安装
pip install -r requirements.txt
注意，这里的keras使用tensorflow-gpu自带版本，不再另外安装。tensorflow-gpu版本为1.13.1，经过测试1.14,1.15版本也没问题，但是目前安装系统只支持1.13.1版本保存的模型，所以就先用1.13.1了
python train.py
注意，
- 训练脚本权重(H5文件)与模型结构(model.json)分开保存
- 训练脚本会产生三个文件，分别为: checkpoint(存储每个epoch权重)，output(输出tensorboard文件)，log(训练日志)
- 每个epoch结束会读取valid_data文件夹下测试数据集(*.bin)文件，统计人脸识别的ACC、AUC、VR@FAR(10e-3)等信息
train.py脚本保存权重为MobilenetV2主干网络加上ArcFaceloss层，其中包含一个512*85742的全连接层，所以权重较大(近200M)，我们实际要的仅仅是其中的主干网输出部分。先后执行以下脚本：
# 注意修改21行的weight_file为checkpoint中保存的权重文件
# 修改22行json_file为项目目录下保存的模型结构文件
# 脚本会生成一个按时间创建的临时文件夹(tmp_YYYY-MM-DD_hhmmss),其中包含一个frozen_model.pb文件
python h5_2_pb.py
# 执行optimize_pb.sh脚本，去除上一步中生成pb文件中与输入输出无关的变量,这里使用tensrflow自带脚本
# 修改脚本中--input为上一步生成的frozen_model.pb
# 脚本会在项目目录下生成一个优化后的pb文件，该文件已经可以部署到实际应用环境中
./optimize_pb.sh
# 在数据集上测试最后生成的pb模型
# 注意修改该脚本16行的PB_DIR变量
# 脚本将输出pb模型在各个数据集上实际AUC、ACC、VAR@FAR等信息
python pb_test.py
# 执行脚本，将pb文件转为8位量化的tflite文件，这里tflite量化仅仅是权重量化，底层实际运算依旧是浮点运算
# 修改该脚本第7行 pb_dir为上一步最后生成的pb文件路径
# 脚本将在项目目录下生成tflite文件
python pb_2_tflite.py
# tflite文件PC端测试
# 注意修改该脚本第16行RF_DIR变量为要测试的tflite文件
# 脚本将输出tflite模型在各个数据集上实际AUC、ACC、VAR@FAR等信息
python tflite_test.py
PB模型(12.5M)
TFLITE模型(9.1M)
比较一下可以发现TFLITE模型精度下降的微乎其微,但在安卓上推断速度在30ms~45ms之间,确实要比PB模型快了三成
另外,可以发现cplfw这个数据集精度较低,这是因为这个数据集为侧脸数据集,没法对齐,所以精度较低,这里也说明这个小模型更多是应用与正脸识别的场合(稍微侧一些也是可以的,人脸偏航角超过60度就很难了,这个角度下基本只能看到一个眼睛.....)
├── valid_dataset/ 验证数据集
├── model/ 一些已经训练好的模型
├── dataset.py tfrecoder接口
├── evaluate_data.py 每个epoch结束读取valid_dataset数据统计FAR@VAR
├── face_loss_k.py ArcfaceLoss实现
├── my_Mobilenet.py 重构的MobilenetV2主干网络，原始版本为keras自带结构，本项目中主要修改：网络主干加粗，所有ReLu改为PReLu
├── train.py 训练脚本
├── h5_2_pb.py
├── optimize_pb.sh
├── pb_test.py
├── pb_2_tflite.py
├── tflite_test.py
├── requirements.txt
https://github.com/auroua/InsightFace_TF
https://github.com/sirius-ai/MobileFaceNet_TF
https://github.com/deepinsight/insightface/wiki/Dataset-Zoo
https://arxiv.org/pdf/1804.07573