InsightFace：2D和3D人脸分析项目 和 执照 InsightFace的代码根据MIT许可证发布。 学术和商业用途均不受限制。 包含注释的训练数据（以及使用这些数据训练的模型）仅可用于非商业研究目的。 介绍 InsightFace是主要基于MXNet的开源2D＆3D深度面部分析工具箱。 主分支MXNet 1.2工程1.6，与Python 3.x的。 ArcFace视频演示 请点击图片观看YouTube视频。 对于Bilibili用户，请单击。 最近更新 2021-01-20 ： 根据实施ArcFace和部分FC的。 2020-10-13 ：DeepGlint发布一种新的训练方法和一个大型训练集（360K ID）。 2020-10-09 ：我们开放了大规模识别测试基准 2020-08-01 ：我们发布了具有快速坐标回归功能（106分）的轻型面部界标模型。 查看详细。 2

TensorFlow中的Insight Face 任务 mxnet数据集到tfrecords 骨干网络架构[vgg16，vgg19，resnet] 骨干网络体系结构[resnet-se，resnext] LResNet50E-IR LResNet100E-IR 加法角余量损失 余弦面损失 火车网络代码 在训练期间添加验证 多GPU训练 合并损失由RogerLo提供。 评估代码 培训技巧（持续更新） 如果您不能使用大批量（> 128），则应使用较小的学习率 如果您不能使用大批量（> 128），则可以尝试重新规范化批量（文件L_Resnet_E_IR_RBN.py ） 如果使用多个

SimSwap项目使用了insightface 来做脸部识别和对其，进行图像预处理。 需要下载antelope.zip文件解压到./insightface_func/models 目录中。

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