FaceNet源码解读：史上最全的FaceNet源码使用方法和讲解（一）（附预训练模型下载）

痛定思痛。 2022-05-29 01:26 1166阅读 0赞

文章地址：[史上最全的FaceNet源码使用方法和讲解（一）（附预训练模型下载）][FaceNet]转载请注明出处。

--------------------

前提条件：已安装并配置好Tensorflow的运行环境。

## 第一步：准备facenet程序： ##

### 一、下载FaceNet源码。 ###

下载地址：[facenet源码][facenet]

### 二、精简代码。 ###

作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于读懂代码：新建一个文件夹，取名：facenet，把源码中的src文件夹直接拷贝过来。

注：便于大家能够看懂代码，以上两步我已经完成，同时，自己运行程序之后，还对里边的代码做了详细的注释，如果想先了解facenet的源码，强烈建议下载这个，下载地址：[facenet精简版][facenet 1]

当然，大家别忘了顺手点个星哦~~~

### 第二步：下载预训练模型。 ###

facenet提供了两个预训练模型，分别是基于CASIA-WebFace和MS-Celeb-1M人脸库训练的，不过需要去谷歌网盘下载，这里给其中一个模型的百度网盘的链接：链接: [预训练模型百度网盘地址][Link 1] 密码: 12mh

下载完成后，把预训练模型的文件夹拷贝在刚才的文件夹里。用pycharm打开这个工程文件如图：

## ![format_png][] ##

### 第三步：运行人脸比对程序（compare.py）。 ###

facenet可以直接比对两个人脸经过它的网络映射之后的欧氏距离。

\-1、在compare.py所在目录下放入要比对的文件1.png和2.png。  
\-2、运行compare.py文件，但是会报错如下：

## ![format_png 1][] ##

这是因为这个程序需要输入参数，在上方的工具栏里选择Run>EditConfigurations ,在Parameters中配置参数：20170512-110547 1.png 2.png。再次运行程序

# #

![format_png 2][]

可以看到，程序会算出这两个图片的差值矩阵

![format_png 3][]

### 第四步：图片预处理——运行人脸对齐程序（align\\align\_dataset\_mtcnn.py）。 ###

我们可以下载LFW数据集用来测试这个程序，也为后边的训练函数做好数据准备。

下载链接：http://vis-www.cs.umass.edu/lfw/。下载后解压在data文件夹中。

因为程序中神经网络使用的是谷歌的“inception resnet v1”网络模型，这个模型的输入时160\*160的图像，而我们下载的LFW数据集是250\*250限像素的图像，所以需要进行图片的预处理。

在运行时需要输入的参数：

input\_dir:输入图像的文件夹（E:\\facenet\\data\\lfw E:\\facenet\\data\\lfw）

output\_dir:输出图像的文件夹（E:\\facenet\\data\\lfw E:\\facenet\\data\\lfw\_160）

指定裁剪后图片的大小：--image\_size 160 --margin 32 --random\_order（如果不指定，默认的裁剪结果是182\*182像素的）

比如我的是：E:\\facenet\\data\\lfw E:\\facenet\\data\\lfw\_160 --image\_size 160 --margin 32 --random\_order

如果在pycharm中运行，按照同样的方法配置以上参数如下：

![format_png 4][]

### 第五步：运行训练程序：（train\_tripletloss.py）。 ###

前边已经下载并处理好了LFW的数据集，现在，可以进行训练了。

运行之前，要在train\_tripletloss.py中把加载数据的路径改成自己的数据集所在路径，如下图：

![format_png 5][]

注：train\_tripletloss.py和train\_softmax.py的区别：这是作者对论文做出的一个延伸，除了使用facenet里提到的train\_tripletloss三元组损失函数来训练，还实现了用softmax的训练方法来训练。当然，在样本量很小的情况下，用softmax训练会更容易收敛。但是，当训练集中包含大量的不同个体(超过10万)时，最后一层的softmax输出数量就会变得非常大，但是使用train\_tripletloss的训练仍然可以正常工作。

### 更多内容参见：[史上最全的FaceNet源码使用方法和讲解（二）][FaceNet 1] ###

最后，附上原来的文件中各py文件的作用（持续更新）：

### 一、主要函数 ###

align/ ：用于人脸检测与人脸对齐的神经网络

facenet ：用于人脸映射的神经网络

util/plot\_learning\_curves.m:这是用来在训练softmax模型的时候用matlab显示训练过程的程序

### 二、facenet/contributed/相关函数： ###

1、基于mtcnn与facenet的人脸聚类

代码：facenet/contributed/cluster.py（facenet/contributed/clustering.py实现了相似的功能，只是没有mtcnn进行检测这一步）

主要功能：

**① 使用mtcnn进行人脸检测并对齐与裁剪**

**② 对裁剪的人脸使用facenet进行*em*bedding**

**③ 对embedding的特征向量使用欧式距离进行聚类**

2、基于mtcnn与facenet的人脸识别（输入单张图片判断这人是谁）

代码：facenet/contributed/predict.py

主要功能：

**① 使用mtcnn进行人脸检测并对齐与裁剪**

**② 对裁剪的人脸使用facenet进行*em*bedding**

**③ 执行predict.py进行人脸识别（需要训练好的svm模型）**

3、以numpy数组的形式输出人脸聚类和图像标签

代码：facenet/contributed/export\_embeddings.py

主要功能：

**① 需要对数据进行对齐与裁剪做为输入数据**

**② 输出embeddings.npy；labels.npy；label\_strings.npy**

个人知乎主页地址：[知乎个人主页][Link 2]，主要写大数据分析，机器学习等相关系列文章，还有一些新发布科技产品的思考，欢迎关注。

[FaceNet]: https://blog.csdn.net/u013044310/article/details/79556099
[facenet]: https://github.com/davidsandberg/facenet
[facenet 1]: https://github.com/boyliwensheng/understand_facenet
[Link 1]: https://pan.baidu.com/s/1LLPIitZhXVI_V3ifZ10XNg
[format_png]: /images/20220529/abf5a4b139734d2e8c6ef5d71267c079.png
[format_png 1]: /images/20220529/062007b0881443c28ba39be900dd0267.png
[format_png 2]: /images/20220529/b7acd14396bf4dcfb8ca04f1fdea399c.png
[format_png 3]: /images/20220529/d77da109e8f34082880ec6ea9e91a6ac.png
[format_png 4]: /images/20220529/1a24df22488744e1b2df65245eddb90a.png
[format_png 5]: /images/20220529/0979ae41b49a41108f22e98c9a945606.png
[FaceNet 1]: https://blog.csdn.net/u013044310/article/details/80481642
[Link 2]: https://www.zhihu.com/people/dian-mo-liu-xiang/activities