MobileFaceNet_TF MobileFaceNet的Tensorflow实现。 依存关系 张量流> = r1.5 OpenCVPython的3.x python 3.x 科学的 斯克莱恩 麻木 网络 泡菜 准备数据集 选择以下链接之一来下载Insightface提供的数据集。 （特别推荐MS1M-refine-v2） ， ， ， 将数据集移动到${MobileFaceNet_TF_ROOT}/datasets 。 运行${MobileFaceNet_TF_ROOT}/utils/data_process.py 。 预训练模型 训练 通过特殊项目自行优化超级参数。

基于MobileFacenet的Coral EdgeTPU支持的人脸识别 还提供了带有Tensorflow-2，EdgeTPU模型的Mobilefacenet，用于在Coral EdgeTPU上运行模型 介绍 来自Tensorflow 2版本的mobilefacenet 演示版 在带有Coral TPU的台式机上运行60 fps，在树莓派上运行约24 fps 用法 数据集 使用与使用的数据集相同的数据集进行训练。 CASIA用于训练，LFW用于测试。 训练 在train.py中更改指向图像数据集的目录。 我通过将RESUME设置为False直接使用ArcFace训练了模型，但是值得尝试使用softmax损失进行预训练 我添加了一个示例，以添加额外的标题以使用生成的嵌入来执行分类，在这里，我使用生成的嵌入来预测人是否戴着口罩。 您可以通过使用另一个数据集来获得更多乐趣 结果 经过训练的模型

mobilefacenet_ncnn 一个简单的示例，在ncnn上实现了用于人脸识别的mobilefacenet。 介绍 是一种先进的深度学习方法，用于人脸识别。 它是为移动设备设计的。 是为移动平台优化的高性能神经网络推理计算框架。 此仓库是在ncnn上实现mobilefacenet的简单示例。 环境 vs 2015 cmake ncnn opencv2.4.13 已在Windows10上进行了测试。 所需的库在3rparty中。 您可以将它们替换为您的。 如何使用 如果您熟悉如何构建，编译和链接，则只需要src文件夹中的源代码文件，models文件夹中的model，ncnn和opencv。 您可以跳过所有步骤，轻松运行。 1.克隆此仓库 2.如果要使用所有库，请根据您的环境修改CMakeLists.txt。 或者只使用3rparty中的库而不修改它。 3.在工具文件夹中运

mobilefacenet-V2 现在我们有了更高的积累： [lfw] [12000]准确性翻转：0.99667 + -0.00358 [agedb_30] [12000]准确性翻转：0.96667 + -0.00167使用我修改后的移动网络。 lr-batch-epoch：0.01 11738 1个测试验证。.（12000，512）推断时间39.129495 [lfw] [36000] XNorm：22.729305 [lfw] [36000]准确性翻转：0.99667 + -0.00358 在纸上的mobilefacenet文件中提高mobilefacenet的准确性（ ） 第

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

含有T2T-Vit、BotNet、MobileFaceNet、ResNet模型用于人脸识别训练。可参考：https://blog.csdn.net/Bixiwen_liu/article/details/113951973?spm=1001.2014.3001.5501，或，https://blog.csdn.net/Bixiwen_liu/article/details/114894804?spm=1001.2014.3001.5501

nniefacelib nniefacelib是一个在海思35xx系列芯片上运行的人脸算法库，目前集成了mobilefacenet和retinaface。随后还会融合一些其他经典的模型，目的也是总结经验，让更多人早日脱离苦海。 目前只在3516DV300上进行了测试。鉴于很多同学在其他型号上进行测试失败的情况，做一下统一说明，编译错误显示，不同型号的samplecode略有不同，有必要的话需要自己植入核心内核，仿照着SDK的源码进行移植，应该问题不大 更新项 2020-5-15添加linux mapper工具，以retinaface为例子编号：1dw8 2020-4-28添加了retinaface与mobilefacenet的合并bn工具，提供了优化后的低精度retinaface（640x640），17ms，而高精度为34ms 2020-4-24更新了PFPLD模型在海思上的前向传播

mobileFacenet-ncnn-update-mobilefacenet-ncnn.rar