代码拉取完成，页面将自动刷新
本教程旨在用一个简单的案例，带领大家了解MindFace人脸套件的功能，使大家对MindFace人脸套件有一个直观的认识
使用者可以使用自己收集的图像或本文提供的示例图像
# 下载图像
wget https://img0.baidu.com/it/u=870969850,1023437826&fm=253&fmt=auto&app=138&f=JPEG?w=369&h=550
加载图像并转换为Tensor格式, 尺寸resize为112x112
from PIL import Image
import numpy as np
import mindspore as ms
img_path = "/path/to/images" # 此处可以更换为自己的图像路径
img = Image.open(img_path)
img = img.resize((112, 112), Image.BICUBIC)
img = np.array(img).transpose(2,0,1)
img = ms.Tensor(img, ms.float32)
print(img.shape)
为方便用户使用，在MindFace人脸套件中，我们提供了infer函数，使用训练好的模型处理输入图像，获取特征向量。infer函数的参数介绍如下：
def infer(img, backbone="iresnet50", num_features=512, pretrained=False):
img: ms.Tensor，可以是单张图像也可以是图像batchbackbone: str，使用的模型，当前MindFace支持的模型包括iresnet50, iresnet100, mobilefacenet等num_features: int，特征维度pretrained: 模型权重存放的位置，如果没有权重，此处设置为False代码示例如下：
from mindface.recognition.infer import infer
backbone = 'iresnet50'
pretrained = '/path/to/ckpt'
num_features=512
feature = infer(img, backbone=backbone, num_features=num_features, pretrained=pretrained)
print(feature.shape)
MindFace为用户提供了模型验证的接口face_eval函数，能够在指定的人脸验证数据集上验证模型的性能，当前
def face_eval(model_name, ckpt_url, eval_url, num_features=512, target='lfw,cfp_fp,agedb_30,calfw,cplfw', device_id=0, device_target="GPU", batch_size=64, nfolds=10):
model_name: str, 使用的模型，当前MindFace支持的模型包括iresnet50, iresnet100, mobilefacenet等ckpt_url: str, 待验证的checkpoint的路径eval_url: str, 验证数据集的路径num_features: int，特征维度target: str, 待验证的数据集，目前支持lfw,cfp_fp,agedb_30,calfw,cplfw五个数据集device_id: int, 使用的设备ID序号device_target: str, 运行程序所使用的平台，目前支持GPU和Ascend平台两种batch_size: int, 验证过程中每批数据数据的大小nfolds: int, 验证折数代码示例如下：
from mindface.recognition.eval import face_eval
model_name = "iresnet100"
ckpt_path = "/path/to/ckpt"
eval_path = "/path/to/eval_dataset"
num_features=512
face_eval(model_name, ckpt_path, eval_path, num_features)
我们在config文件夹中通过yaml文件配置各项训练参数
# Contex
device_memory_capacity: 2147483648.0 # 设备内存容量(Ascend平台)
costmodel_gamma: 0.001 # strategy-searching算法参数gamma
costmodel_beta: 280.0 # strategy-searching算法参数beta
# Dataset
"data_dir": '/cache/data',
"top_dir_name": "faces_emore_train", #数据集路径（此路径下的数据集需按照规定格式组织）
num_classes: 85742 # 类别总数
# Model
backbone: 'iresnet50' # 骨干网络 （'mobilefacenet', 'iresnet50', 'iresnet100', 'vit-t' 等）
method: "arcface" # 损失函数类型
num_features: 512 # 提取出的图像特征维数
loss_scale_type: "fixed", # loss scale 类型
loss_scale: 8.0, # loss放大倍数
amp_level: "O2", # 训练精度类型
# Train parameters
epochs: 10 # 训练轮数
batch_size: 256 # 每批图像数量
schedule: [4, 6, 8] # 学习率衰减节点
gamma: 0.1 # 学习率衰减比例
optimizer: "adamw" # 优化器
learning_rate: 0.0001 # 学习率
weight_decay: 0.025 # 优化器参数：权重衰减
filter_bias_and_bn: True
use_nesterov: False
# Checkpoint
save_checkpoint_steps: 60 # 每次模型保存间隔的step数
keep_checkpoint_max: 20 # 最多保存模型的数量
train_url: '.' # 模型保存位置
resume: False # 加载模型路径
MindFace可以支持单卡和多卡训练，并且可以在GPU与Ascend平台上运行
GPU平台
sh scripts/run_standalone_train_gpu.sh /path/to/configs
Ascend平台
sh scripts/run_standalone_train.sh /path/to/configs
GPU平台
sh scripts/run_distribute_train_gpu.sh /path/to/configs rank_size
Ascend平台
sh scripts/run_distribute_train.sh rank_size /path/to/configs
此处可能存在不合适展示的内容，页面不予展示。您可通过相关编辑功能自查并修改。
如您确认内容无涉及 不当用语 / 纯广告导流 / 暴力 / 低俗色情 / 侵权 / 盗版 / 虚假 / 无价值内容或违法国家有关法律法规的内容，可点击提交进行申诉，我们将尽快为您处理。