--- title: FaceNet-PyTorch-模型库-ModelZoo-昇腾社区 description: FaceNet是一个用于目标识别网络，基于深度神经网络的图像映射方法和基于triplets的loss函数训练神经网络。 keywords: FaceNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 url: https://www.hiascend.com/software/modelzoo/models/detail/850b949af18f416893a8ab30a56a73e3 section: (其他) --- # FaceNet-PyTorch-模型库-ModelZoo-昇腾社区 URL: https://www.hiascend.com/software/modelzoo/models/detail/850b949af18f416893a8ab30a56a73e3 描述: FaceNet是一个用于目标识别网络，基于深度神经网络的图像映射方法和基于triplets的loss函数训练神经网络。 关键词: FaceNet,PyTorch,模型库,ModelZoo,昇腾社区,概述,简述,准备训练环境 ModelZoo主页 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 主页 [了解详情](https://www.hiascend.com/software/modelzoo)大模型 [了解详情](https://www.hiascend.com/software/modelzoo/big-models)模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models)工具库 [了解详情](https://www.hiascend.com/software/modelzoo/tools)权重库 [了解详情](https://www.hiascend.com/software/modelzoo/datasets)ModelShow [了解详情](https://www.hiascend.com/software/modelzoo/modelshow)DeepSeek专区HOT [了解详情](https://www.hiascend.com/developer/deepseek)文档中心论坛交流 模型库 [了解详情](https://www.hiascend.com/software/modelzoo/models) FaceNet-PyTorch ## FaceNet-PyTorch 视觉检测与跟踪PyTorch训练680次浏览2026/02/02更新 查看模型源码 FaceNet-PyTorch 查看模型源码 ... # 概述 ## 简述 FaceNet是一个用于目标识别网络，基于深度神经网络的图像映射方法和基于triplets的loss函数训练神经网络。该模型没有使用传统的softmax的方式去进行分类学习，而是抽取其中某一层作为特征，学习一个从图像到欧式空间的编码方法，然后基于该编码方法进行目标识别。本文档描述的FaceNet是基于Pytorch实现的版本。 - 参考实现： ``` url=https://github.com/timesler/facenet-pytorch commit_id=2763e34b556d071a072e568892d2bdfd389c37b0 ``` - 适配昇腾 AI 处理器的实现： ``` url=https://gitee.com/ascend/ModelZoo-PyTorch.git code_path=PyTorch/build-in/cv/classification ``` # 准备训练环境 ## 准备环境 - 当前模型支持的 PyTorch 版本和已知三方库依赖如下表所示。 表 1版本支持表 | Torch_Version | 三方库依赖版本 | | --- | ---| | PyTorch 1.5 | pillow==8.4.0 | | PyTorch 1.8 | pillow==9.1.0 | - 环境准备指导。 请参考《Pytorch框架训练环境准备 [了解详情](https://www.hiascend.com/document/detail/zh/ModelZoo/pytorchframework/ptes)》。 - 安装依赖。 在模型源码包根目录下执行命令，安装模型对应PyTorch版本需要的依赖。 ``` pip install -r 1.5_requirements.txt # PyTorch1.5版本 pip install -r 1.8_requirements.txt # PyTorch1.8版本 ``` 说明：只需执行一条对应的PyTorch版本依赖安装命令。 ## 准备数据集 1. 获取原始数据集。 用户自行获取VGGFace2原始数据集，并解压放置任意目录下。 2. 对原始数据集进行数据预处理。 使用源码包根目录下的 mtcnn_process.py 脚本对原始数据集中的“test”和“train”分别进行数据预处理。 在 mtcnn_process.py 脚本的rootdir参数中分别填写原始数据集中的“test”和“train”所在路径， save_path参数中填写处理过后的数据集路径 （用户自行建立存储路径）。使用如下命令进行数据预处理。 ``` ``` python3 mtcnn_process.py # rootdir参数填写“test”所在路径 python3 mtcnn_process.py # rootdir参数填写“train”所在路径 ``` 处理后的数据集目录结构如下所示： ``` ├── 用户自行建立的存储路径 ├── VGG-Face2 ├──test ├──n000001 │──图片1 │──图片2 │ ... ├──n000002 │──图片1 │──图片2 │ ... ├──... ├──train ├──n000001 │──图片1 │──图片2 │ ... ├──n000002 │──图片1 │──图片2 │ ... ├──... ├──test_list.txt ├──train_list.txt ``` ``` 说明：该数据集的训练过程脚本只作为一种参考示例。 ## 获取预训练模型 请用户自行下载vggface2.pt预训练模型，并放到/root/.cache/torch/checkpoints/文件夹下。 # 开始训练 ## 训练模型 1. 进入解压后的源码包根目录。 ``` cd /${模型文件夹名称} ``` 2. 运行训练脚本。 该模型支持单机单卡训练和单机8卡训练。 - 单机单卡训练 启动单卡训练。 ``` bash ./test/train_full_1p.sh --data_path=/data/xxx/ # 单卡精度 bash ./test/train_performance_1p.sh --data_path=/data/xxx/ # 单卡性能 ``` - 单机8卡训练 启动8卡训练。 ``` bash ./test/train_full_8p.sh --data_path=/data/xxx/ # 8卡精度 bash ./test/train_performance_8p.sh --data_path=/data/xxx/ # 8卡性能 ``` --data_path参数填写数据集路径，需写到数据集的一级目录。 模型训练脚本参数说明如下。 ``` 公共参数： --seed //随机数种子设置 --epochs //重复训练次数 --batch_size //训练批次大小 --lr //初始学习率，默认：0.01 --amp_cfg //是否使用混合精度 --loss_scale_value //混合精度loss scale大小 --opt_level //混合精度类型 多卡训练参数： --multiprocessing_distributed //是否使用多卡训练 --device_list //多卡训练指定训练用卡 ``` 训练完成后，权重文件保存在当前路径下，并输出模型训练精度和性能信息。 # 训练结果展示 表 2训练结果展示表 | NAME | Acc@1 | FPS | Epochs | AMP_Type | Torch_Version | | --- | --- | --- | --- | --- | ---| | 1p-NPU | - | 1910.06 | 1 | O2 | 1.8 | | 8p-NPU | 0.974 | 15220.9 | 8 | O2 | 1.8 | # 版本说明 ## 变更 2023.02.21：更新内容，重新发布。 2021.07.23：首次发布 ## FAQ 无。 | 版本 | 更新时间 | 精度 | 处理器 | CANN版本 | 操作 | | --- | --- | --- | --- | --- | ---| 暂无数据 使用模型资源和服务前，请您仔细阅读并理解透彻《昇腾深度学习模型许可协议 3.0》 [了解详情](https://www.hiascend.com/legal/modelzoo_models_license)