id_loss model, modified backbone implementation from TreB1eN - InsightFace_Pytorch

根据此博客 https://blog.csdn.net/weixin_44771532/article/details/105392111 快速使用代码

5月16日更新 经多位网友的共同实验，原方案部分情况下迭代次数稍微不足，导致最终识别率略有小差异，为了相对容易获得论文的最佳结果，对训练方案进行简单更新，实际训练也可根据数据acc训练是否已稳定来判断lr下降的迭代次数： 适当增大softmax迭代次数，4万-->12万； 增大arcface第一级lr0.1的迭代次数，8万-->12万； ps：无闲置机器，暂不再更新log。该项目训练步骤，已验证mobilefacenet可复现，良心大作，期待作者后续的研究。 5月14日更新 更新两个实验测试： arcface_loss_test2-4：接lr0.1已经训练12万次的模型，增强lr0.1步骤的训练8万次，自身acc小幅提升，下降lr后，最终部分结果中lfw最佳结果99.517%，agedb有模型已提升至96.033%+ arcface_loss_test2-5：接arcface_loss_t

Insightface结合Faiss的高并发人脸识别技术研究_2.pdf

ArcFace/InsightFace使用自己数据训练/验证过程(2)-附件资源

# 数据处理： 1、使用facenet中的文件或insight项目中的align_dataset_mtcnn.py将原始人脸数据先检测并处理成112x112大小， 2、制作训练集.rec文件 # python insightface/recognition/tools/im2rec.py --list --recursive /准备存放.lst的路径/准备存放.lst文件的名称（NBA） /图像文件夹路径/ #生成.lst # python im2rec2.py /刚刚生成的.lst文件路径/.lst的文件名 /图像文件夹路径/ ##生成.rec

insighface人脸识别模型转换代码, 将mxnet-resnet模型转为pytorch对应的模型。包含 与mxnet模型对应的pytorch网络代码，及转换代码和mxnet 及pytorch 模型提特征测试代码文件

# 3、制作验证集.bin文件 python recognition/tools/generate_image_valid.py #需要预先制作一个人物名单对应表，比如存放于valid.txt文件中 python recognition/tools/make_bin_tool/lfw2pack.py

insightface里的人脸，年龄，性能模型 ;下载pretrained_model。 在deploy下运行insightface里的模型时， 一共下载两个，一个为人脸识别model，一个为性别年龄识别model，由于代码中必须加载这两个model，所以就算不用都要下载。

insightface人脸特征抽取预训练模型arcface_r100_v1.zip