Skip to content

Latest commit

 

History

History
231 lines (160 loc) · 7.09 KB

README_CH.md

File metadata and controls

231 lines (160 loc) · 7.09 KB
Raw

InsightFace 在 OneFlow 中的实现

English | 简体中文

本文介绍如何在 OneFlow 中训练 InsightFace，并在验证数据集上对训练好的网络进行验证。

目录

背景介绍

InsightFace 开源项目

InsightFace 原仓库是基于 MXNet 实现的人脸识别研究开源项目。

在该项目中，集成了：

  • CASIA-Webface、MS1M、VGG2 等用于人脸识别研究常用的数据集（以 MXNet 支持的二进制形式提供，可以从这里查看数据集的详细说明以及下载链接）。

  • 以 ResNet、MobileFaceNet、InceptionResNet_v2 等深度学习网络作为 Backbone 的人脸识别模型。

  • 涵盖 SphereFace Loss、Softmax Loss、SphereFace Loss 等多种损失函数的实现。

InsightFace 在 OneFlow 中的实现

在 InsightFace 开源项目已有的工作基础上，OneFlow 对 InsightFace 基本的人脸识别模型进行了移植，目前已实现的功能包括：

  • 支持了使用 MS1M、Glint360k 作为训练数据集，Lfw、Cfp_fp 以及 Agedb_30 作为验证数据集，提供了对网络进行训练和验证的脚本。
  • 支持 ResNet100 和 MobileFaceNet 作为人脸识别模型的 Backbone 网络。
  • 实现了 Softmax Loss 以及 Margin Softmax Loss（包括 Nsoftmax、Arcface、Cosface 和 Combined Loss 等）。
  • 实现了模型并行和 Partial FC 优化。
  • 实现了 MXNet 的模型转换。

未来将计划逐步完善：

  • 更多的数据集转换。
  • 更丰富的 Backbone 网络。
  • 更全面的损失函数实现。
  • 增加分布式运行的说明。

我们对所有的开发者开放 PR，非常欢迎您加入新的实现以及参与讨论。

准备工作

在开始运行前，请先确定：

  1. 安装 OneFlow。
  2. 准备训练和验证的 OFRecord 数据集。

安装 OneFlow

根据 Install OneFlow 的步骤进行安装最新 master whl 包即可。

python3 -m pip install oneflow -f https://oneflow-staging.oss-cn-beijing.aliyuncs.com/branch/master/cu102/6aa719d70119b65837b25cc5f186eb19ef2b7891/index.html --user

准备数据集

根据 加载与准备 OFRecord 数据集 准备 ImageNet 的 OFReocord 数据集，用以进行 InsightFace 的测试。

InsightFace 原仓库中提供了一系列人脸识别任务相关的数据集，已经完成了人脸对齐等预处理过程。请从这里下载相应的数据集，并且转换成 OneFlow 可以识别的 OFRecord 格式。考虑到步骤繁琐，也可以直接下载已经转好的 OFRecord 数据集：

MS1M-ArcFace(face_emore)

MS1MV3

下面以数据集 MS1M-ArcFace 为例，展示如何将下载到的数据集转换成 OFRecord 格式。

1. 下载数据集

下载好的 MS1M-ArcFace 数据集，内容如下：

faces_emore/
       train.idx
       train.rec
       property
       lfw.bin
       cfp_fp.bin
       agedb_30.bin

前三个文件是训练数据集 MS1M 的 MXNet 的 recordio 格式相关的文件，后三个 .bin 文件是三个不同的验证数据集。

2. 将训练数据集 MS1M 从 recordio 格式转换为 OFRecord 格式

训练数据集转换有两种方式: (2.1部分)直接使用python脚本生成n个shuffle过的数据part，或(2.2部分)python脚本生成一个part，再根据需要用spark做shuffle和partition。 2.1 直接使用 Python 脚本

运行：

python tools/dataset_convert/mx_recordio_2_ofrecord_shuffled_npart.py  --data_dir datasets/faces_emore --output_filepath faces_emore/ofrecord/train --num_part 16

成功后将得到 num_part 数量个 OFRecord，本示例中为 16 个，显示如下：

tree ofrecord/test/
ofrecord/test/
|-- _SUCCESS
|-- part-00000
|-- part-00001
|-- part-00002
|-- part-00003
|-- part-00004
|-- part-00005
|-- part-00006
|-- part-00007
|-- part-00008
|-- part-00009
|-- part-00010
|-- part-00011
|-- part-00012
|-- part-00013
|-- part-00014
`-- part-00015

0 directories, 17 files

2.2 Python 脚本 + Spark Shuffle + Spark Partition

运行：

python tools/dataset_convert/mx_recordio_2_ofrecord.py --data_dir datasets/faces_emore --output_filepath faces_emore/ofrecord/train

成功后将得到一个包含所有数据的 OFReocrd（part-0），需要进一步使用 Spark 进行 Shuffle 和 Partition。 成功安装和部署 Spark 后， 您需要：

  1. 下载工具 jar 包

您可以通过 Github 或者 OSS 下载 Spark-oneflow-connector-assembly-0.1.0.jar 文件。

  1. 运行 Spark 命令

运行

//Start Spark 
./Spark-2.4.3-bin-hadoop2.7/bin/Spark-shell --jars ~/Spark-oneflow-connector-assembly-0.1.0.jar --driver-memory=64G --conf Spark.local.dir=/tmp/
// shuffle and partition in 16 parts
import org.oneflow.Spark.functions._
Spark.read.chunk("data_path").shuffle().repartition(16).write.chunk("new_data_path")
sc.formatFilenameAsOneflowStyle("new_data_path")

然后就可以得到 16 个 part 的 OFRecord，显示如下

tree ofrecord/test/
ofrecord/test/
|-- _SUCCESS
|-- part-00000
|-- part-00001
|-- part-00002
|-- part-00003
|-- part-00004
|-- part-00005
|-- part-00006
|-- part-00007
|-- part-00008
|-- part-00009
|-- part-00010
|-- part-00011
|-- part-00012
|-- part-00013
|-- part-00014
`-- part-00015

0 directories, 17 files

训练和验证

训练

为了减小用户使用的迁移成本，OneFlow 的脚本已经调整为 Torch 实现的风格，用户可以使用 configs/*.py 直接修改参数。

运行脚本：

eager

./train_ddp.sh

Graph

train_graph_distributed.sh

验证

另外，为了方便查看保存下来的预训练模型精度，我们提供了一个仅在验证数据集上单独执行验证过程的脚本。

运行

./val.sh

OneFLow2ONNX

pip install oneflow-onnx==0.5.1
./convert.sh