zlszhonglongshen / oneflow_face

InsightFace在OneFlow中的实现

本文介绍如何在Oneflow中训练InsightFace，并在验证数据集对训练好的网络进行验证。

实现背景介绍

InsightFace开源项目

InsightFace原仓库是基于MxNet实现的用于人脸识别研究的开源项目，在该项目中，集成了：

• CASIA-Webface、MS1M、VGG2等用于人脸识别研究常用的数据集（以MXNet支持的二进制的形式提供，从这里查看数据集的详细说明以及下载链接）。

• 以ResNet、MobilefaceNet、InceptionResNet_v2等深度学习网络作为backbone的人脸识别模型。

• 包括SphereFace Loss、Softmax Loss、SphereFace Loss等在内的多种损失函数的实现。

InsightFace在OneFlow中的实现

在InsightFace开源项目已有的工作基础上，我们对InsightFace基本的人脸识别模型进行了基于OneFlow的移植，目前已实现的功能包括：

• 提供了使用MS1M作为训练数据集，lfw、cfp_fp以及agedb_30作为验证数据集，对网络进行训练和验证的脚本。
• 支持Resnet100和MobileFacenet作为人脸识别模型的backbone网络。
• 实现了Softmax Loss、Arc Loss以及Margin Softmax Loss。

未来将计划逐步完善：

• 更多的数据集转换。
• 更丰富的backbone网络，以及onnx的支持。
• 更全面的损失函数实现。
• 增加分布式运行和模型并行的说明。

我们对所有的开发者开放PR，非常欢迎您加入新的实现以及参与讨论。

准备工作

在开始运行前，请先确定：

1. 已安装好OneFlow。
2. 准备好训练和验证的数据集。

安装OneFlow

参考：XXX

准备数据集

InsightFace原仓库中提供了一系列人脸识别任务相关的数据集，并且已经完成了人脸对齐等预处理过程。请从这里下载相应的数据集，并且转换成OneFlow可以识别的OFrecord格式。也可以直接下载已经转好的OFrecord数据集:训练集和验证集。

下面分别数据集MS1M-ArcFace为例，展示如何将下载到的数据集转换成OFrecord格式。

下载数据集

下载好的MS1M-ArcFace数据集，目录如下：

faces_emore/
       train.idx
       train.rec
       property
       lfw.bin
       cfp_fp.bin
       agedb_30.bin

前三个文件是训练数据集MS1M的MxNet的recordio格式相关的文件，后三个.bin文件是三个不同的验证数据集。

将训练数据集MS1M从recordio格式转换为OFrecord格式

运行：

python tools/dataset_convert/mx_recordio_2_ofrecord.py --data_dir datasets/faces_emore --output_filepath faces_emore/ofrecord/train

将验证数据集转换为OFrecord格式

运行：

python bin_2_ofrecord.py --data_dir=datasets/faces_emore --output_filepath=faces_emore/ofrecord/lfw/ --dataset_name="lfw"
python bin_2_ofrecord.py --data_dir=faces_emore --output_filepath=faces_emore/ofrecord/cfp_fp/ --dataset_name="cfp_fp"
python bin_2_ofrecord.py --data_dir=datasets/faces_emore --output_filepath=faces_emore/ofrecord/agedb_30/ --dataset_name="agedb_30"

训练和验证

训练

执行训练的入口文件是insightface_train_val.py，使用方式如下：

python insightface_train_val.py \
--class_num=85742 \
--train_data_dir="faces_emore/ofrecord/train" \
--train_batch_size=32 \
--train_data_part_num=1 \
--do_validataion_while_train \
--val_batch_size=32 \
--lfw_data_dir="faces_emore/ofrecord/lfw" \
--validataion_interval=10 \
--total_batch_num=200000 \
--gpu_num_per_node=1 \
--base_lr=0.1 \
--models_name=fc7 \
--margin=0.5 \
--network="resnet100" \
--loss_type="margin_softmax" 

单独执行验证

在上面训练的过程中，可以通过添加命令行参数--do_validataion_while_train，实现边训练边验证。 另外，为了方便查看保存下来的预训练模型的精度，我们提供了一个仅在验证数据集上单独执行验证过程的脚本，入口文件为：insightface_val.py ，使用方式如下：

python insightface_val.py \
--lfw_data_dir="faces_emore/ofrecord/lfw" \
--gpu_num_per_node=1 \
--network="resnet100" \
--model_load_dir=path/to/model_load_dir

其中，用--model_load_dir指定想要加载的预训练模型的路径。