Skip to content

Latest commit

 

History

History
140 lines (112 loc) · 5.21 KB

get_started.md

File metadata and controls

140 lines (112 loc) · 5.21 KB
Raw

快速上手指南

本教程旨在用一个简单的案例，带领大家了解MindFace人脸套件的功能，使大家对MindFace人脸套件有一个直观的认识

读取图像

使用者可以使用自己收集的图像或本文提供的示例图像

# 下载图像
wget https://img0.baidu.com/it/u=870969850,1023437826&fm=253&fmt=auto&app=138&f=JPEG?w=369&h=550

加载图像并转换为Tensor格式, 尺寸resize为112x112

from PIL import Image
import numpy as np
import mindspore as ms

img_path = "/path/to/images" # 此处可以更换为自己的图像路径
img = Image.open(img_path)
img = img.resize((112, 112), Image.BICUBIC)
img = np.array(img).transpose(2,0,1)
img = ms.Tensor(img, ms.float32)
print(img.shape)

执行推理

为方便用户使用，在MindFace人脸套件中，我们提供了infer函数，使用训练好的模型处理输入图像，获取特征向量。infer函数的参数介绍如下：

def infer(img, backbone="iresnet50", num_features=512, pretrained=False):

  • img: ms.Tensor，可以是单张图像也可以是图像batch
  • backbone: str，使用的模型，当前MindFace支持的模型包括iresnet50, iresnet100, mobilefacenet等
  • num_features: int，特征维度
  • pretrained: 模型权重存放的位置，如果没有权重，此处设置为False

代码示例如下：

from mindface.recognition.infer import infer

backbone = 'iresnet50'
pretrained = '/path/to/ckpt'
num_features=512
feature = infer(img, backbone=backbone, num_features=num_features, pretrained=pretrained)
print(feature.shape)

模型验证

MindFace为用户提供了模型验证的接口face_eval函数，能够在指定的人脸验证数据集上验证模型的性能，当前

def face_eval(model_name, ckpt_url, eval_url, num_features=512, target='lfw,cfp_fp,agedb_30,calfw,cplfw', device_id=0, device_target="GPU", batch_size=64, nfolds=10):

  • model_name: str, 使用的模型，当前MindFace支持的模型包括iresnet50, iresnet100, mobilefacenet等
  • ckpt_url: str, 待验证的checkpoint的路径
  • eval_url: str, 验证数据集的路径
  • num_features: int，特征维度
  • target: str, 待验证的数据集，目前支持lfw,cfp_fp,agedb_30,calfw,cplfw五个数据集
  • device_id: int, 使用的设备ID序号
  • device_target: str, 运行程序所使用的平台，目前支持GPU和Ascend平台两种
  • batch_size: int, 验证过程中每批数据数据的大小
  • nfolds: int, 验证折数

代码示例如下：

from mindface.recognition.eval import face_eval

model_name = "iresnet100"
ckpt_path = "/path/to/ckpt"
eval_path = "/path/to/eval_dataset"
num_features=512

face_eval(model_name, ckpt_path, eval_path, num_features)

训练模型

配置训练参数

我们在config文件夹中通过yaml文件配置各项训练参数

# Contex
device_memory_capacity: 2147483648.0                    # 设备内存容量(Ascend平台) 
costmodel_gamma: 0.001                                  # strategy-searching算法参数gamma
costmodel_beta: 280.0                                   # strategy-searching算法参数beta

# Dataset
"data_dir": '/cache/data',
"top_dir_name": "faces_emore_train",                    #数据集路径（此路径下的数据集需按照规定格式组织）
num_classes: 85742                                      # 类别总数

# Model
backbone: 'iresnet50'                                   # 骨干网络 （'mobilefacenet', 'iresnet50', 'iresnet100', 'vit-t' 等）
method: "arcface"                                       # 损失函数类型
num_features: 512                                       # 提取出的图像特征维数
loss_scale_type: "fixed",                               # loss scale 类型
loss_scale: 8.0,                                        # loss放大倍数
amp_level: "O2",                                        # 训练精度类型

# Train parameters
epochs: 10                                              # 训练轮数
batch_size: 256                                         # 每批图像数量
schedule: [4, 6, 8]                                     # 学习率衰减节点
gamma: 0.1                                              # 学习率衰减比例
optimizer: "adamw"                                      # 优化器
learning_rate: 0.0001                                   # 学习率
weight_decay: 0.025                                     # 优化器参数：权重衰减
filter_bias_and_bn: True
use_nesterov: False


# Checkpoint
save_checkpoint_steps: 60                               # 每次模型保存间隔的step数
keep_checkpoint_max: 20                                 # 最多保存模型的数量
train_url: '.'                                          # 模型保存位置
resume: False                                           # 加载模型路径

执行训练

MindFace可以支持单卡和多卡训练，并且可以在GPU与Ascend平台上运行

单卡训练

GPU平台

sh scripts/run_standalone_train_gpu.sh  /path/to/configs

Ascend平台

sh scripts/run_standalone_train.sh  /path/to/configs

分布式训练

GPU平台

sh scripts/run_distribute_train_gpu.sh /path/to/configs rank_size

Ascend平台

sh scripts/run_distribute_train.sh rank_size /path/to/configs