insightface 訓練作者提供的數據集

1.下載源碼：

開源代碼地址：https://github.com/deepinsight/insightface

2.查看作者項目訓練要求

（1）訓練數據

訓練數據使用作者提供並製作好的數據，如下圖所示：

點擊Dataset-Zoo進入數據下載中心，如下圖所示：

 

本人訓練數據爲MS1M-ArcFace,選擇自己想要訓練的數據都可以。

（2）訓練要求如下圖所示：

 a.

由於在本地配置環境問題比較多，本人直接拉取mxnet-cu90鏡像，省去好多麻煩事，可參考我的博客https://www.cnblogs.com/liuwenhua/p/11537696.html，有詳細解讀。

 

b.下載代碼放到自己的目錄下：

c.數據解讀：

根據作者要求把下載數據放到datastes目錄下，六個文件中前三個是訓練數據需求，後三個是驗證數據。

打開文件property,如下圖：

85742爲類別數，根據不同數據需要更改代碼，後續提到。112，112爲圖片大小。

d.ubuntu環境設置及代碼編輯

具體方法如下：

創建sh文件：進入到recognition,編輯

1	vim run_train.sh

編輯下面兩行代碼

export MXNET_CPU_WORKER_NTHREADS=24
export MXNET_ENGINE_TYPE=ThreadedEnginePerDevice

 

執行命令如下：

cp sample_config.py config.py
vim config.py

顯示如下圖所示：

根據自己的下載的數據或製作的數據需要添加代碼在dataset =edict()下面

dataset.emore = edict()
dataset.emore.dataset = 'emore'
dataset.emore.dataset_path = '../datasets/faces_emore'
dataset.emore.num_classes = 85742
dataset.emore.image_shape = (112,112,3)
dataset.emore.val_targets = ['lfw', 'cfp_fp', 'agedb_30']

①更改的第一個就是上面的emore,根據自己的喜好

②更改dataset.emore.dataset_path路徑

③dataset.emore.num_classes，訓練數據的類別數

(3)開始訓練

我的設備是兩塊RTX2080ti，運行代碼如下：

CUDA_VISIBLE_DEVICES='0,1' python -u train.py --network r100 --loss arcface --dataset emore

由於在運行過程中提示顯存不足，所以要設置bach_size，爲了方便運行，我們添加下面代碼到run_train.sh文件中

export MXNET_CPU_WORKER_NTHREADS=24
export MXNET_ENGINE_TYPE=ThreadedEnginePerDevice

CUDA_VISIBLE_DEVICES='0,1' python -u train.py --network r100 --loss arcface --dataset emore --per-batch-size 36

保存退出，在終端運行

bash run_train.sh

模型開始訓練，如下圖：

 

後續準備製作自己的訓練數據，後續更新