Arcface-PyTorch 完整实操：5 步搞定人脸识别模型训练与 LFW 评估
【免费下载链接】arcface-pytorch这是一个arcface-pytorch的源码，可以用于训练自己的模型。项目地址: https://gitcode.com/gh_mirrors/arc/arcface-pytorch
Arcface-PyTorch 是一套基于 PyTorch 的人脸识别模型实现，核心用途是判断两张人脸是否属于同一人，并支持用 Arcface 损失函数训练自己的权重。本文按"环境核对 → 权重下载 → 数据准备 → 标注生成 → 训练 → 评估"的完整流水线带你走一遍，每条命令和常见坑点都列清楚了，照做即可跑通。
快速速查：先记住这几条命令
| 你想做的事 | 对应文件 / 命令 |
|---|---|
| 获取源码 | git clone https://gitcode.com/gh_mirrors/arc/arcface-pytorch |
| 跑人脸比对预测 | python predict.py |
| 生成训练标注 | python txt_annotation.py |
| 启动训练 | python train.py |
| LFW 数据集评估 | python eval_LFW.py |
下面逐段展开细节。
环境版本核对清单
装环境前先看这张表，版本不匹配是报错的最大来源：
| 组件 | 版本要求 | 安装方式 |
|---|---|---|
| Python | 3.6 及以上 | 官方渠道安装 |
| PyTorch | 1.2.0 及以上 | pip install torch==1.2.0 |
| 其余 Python 依赖 | 以 requirements.txt 为准 | pip install -r requirements.txt |
⚠️ PyTorch 版本过低时，train.py里 fp16 混合精度、部分算子会直接报错，建议严格按上表安装。
源码获取与预训练权重就位
- 克隆仓库并进入目录：
git clone https://gitcode.com/gh_mirrors/arc/arcface-pytorch cd arcface-pytorch- 下载已训练好的权值，百度网盘链接： 链接: https://pan.baidu.com/s/1ElJlfmMwOGX699MsgLY8qA 提取码: z3rq 解压后把
.pth文件放进model_data/目录（仓库里已有arcface_mobilefacenet.pth，若缺失需补上）。
⚠️ 提取码是区分大小写的z3rq，权重文件必须落在model_data/下，放错目录会导致predict.py与eval_LFW.py加载权重时直接找不到文件。
数据集下载与目录放置
训练和评估依赖两个数据集：
- CASIA-WebFaces：用于训练，解压后放进项目根目录的
datasets/路径下； - LFW：用于评估，解压后放进项目根目录。
百度网盘链接： 链接: https://pan.baidu.com/s/1qMxFR8H_ih0xmY-rKgRejw 提取码: bcrq
⚠️ 两个数据集都要解压到项目根目录这一层，多套一层文件夹后，train.py和eval_LFW.py里写死的相对路径（如lfw）就全部失效了。
生成训练标注 cls_train.txt
代码要求人脸图片按"人"分目录存放，结构如下：
|- datasets |- people0 |- 123.jpg |- 234.jpg |- people1 |- 345.jpg |- 456.jpg整理好后运行标注脚本，它会自动扫描datasets/并输出cls_train.txt（每行格式为"类别编号;图片绝对路径"）：
python txt_annotation.py选择主干网络并启动训练
打开train.py，训练前重点核对以下配置：
- backbone：主干特征提取网络，可选
mobilefacenet、mobilenetv1、iresnet18/34/50/100/200，其中 MobileNet 系和 IResNet 系是两套典型架构； - model_path：指向已训练的
.pth文件，想从 0 开始训练则留空""； - batch_size：默认 64，显存不足时调小（受 BatchNorm 限制不能为 1）；
- input_shape：默认
[112, 112, 3]，与评估、预测保持一致。
配置无误后启动训练：
python train.pyLFW 评估：训练质量怎么验证
eval_LFW.py中先设置与训练一致的主干网络和权重路径（backbone+model_path），然后运行：
python eval_LFW.py脚本会遍历 LFW 配对样本，输出验证准确率并生成 ROC 曲线，默认保存到model_data/roc_test.png：
曲线越贴近左上角，说明模型在"真阳性率-假阳性率"权衡上表现越好，参考权重在 LFW 上的准确率可达 98%~99% 区间。
人脸比对预测怎么用
想快速验证效果，直接运行预测脚本：
python predict.py终端会提示输入两张图片路径，依次填入：
img/1_001.jpg img/1_002.jpg程序返回的数值即两张人脸属于同一人的相似度概率。若换用自己训练的权重，记得先修改arcface.py里的model_path与backbone，二者必须对应。
到这里，环境、权重、数据、标注、训练、评估六个环节你已经全部走通：现在你可以直接预测任意两张人脸的相似度，在 LFW 上量化模型表现，也能更换 backbone、调整训练参数，训练一套属于自己数据集的人脸识别权重。
【免费下载链接】arcface-pytorch这是一个arcface-pytorch的源码，可以用于训练自己的模型。项目地址: https://gitcode.com/gh_mirrors/arc/arcface-pytorch
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
