insightface 训练作者提供的数据集

1.下载源码：

开源代码地址：https://github.com/deepinsight/insightface

2.查看作者项目训练要求

（1）训练数据

训练数据使用作者提供并制作好的数据，如下图所示：

点击Dataset-Zoo进入数据下载中心，如下图所示：

 

本人训练数据为MS1M-ArcFace,选择自己想要训练的数据都可以。

（2）训练要求如下图所示：

 a.

由于在本地配置环境问题比较多，本人直接拉取mxnet-cu90镜像，省去好多麻烦事，可参考我的博客https://www.cnblogs.com/liuwenhua/p/11537696.html，有详细解读。

 

b.下载代码放到自己的目录下：

c.数据解读：

根据作者要求把下载数据放到datastes目录下，六个文件中前三个是训练数据需求，后三个是验证数据。

打开文件property,如下图：

85742为类别数，根据不同数据需要更改代码，后续提到。112，112为图片大小。

d.ubuntu环境设置及代码编辑

具体方法如下：

创建sh文件：进入到recognition,编辑

1	vim run_train.sh

编辑下面两行代码

export MXNET_CPU_WORKER_NTHREADS=24
export MXNET_ENGINE_TYPE=ThreadedEnginePerDevice

 

执行命令如下：

cp sample_config.py config.py
vim config.py

显示如下图所示：

根据自己的下载的数据或制作的数据需要添加代码在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更改的第一个就是上面的emore,根据自己的喜好

②更改dataset.emore.dataset_path路径

③dataset.emore.num_classes，训练数据的类别数

(3)开始训练

我的设备是两块RTX2080ti，运行代码如下：

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

由于在运行过程中提示显存不足，所以要设置bach_size，为了方便运行，我们添加下面代码到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，在终端运行

bash run_train.sh

模型开始训练，如下图：

 

后续准备制作自己的训练数据，后续更新