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》。

• 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。