small_model_face_recognition
针对移动端的人脸识别需求，训练测试一些的小模型相关实验。
目录
前言
当前效果良好的人脸识别相关模型整体大小基本偏大，占用内存大，计算费时，并不太适合嵌入式移动端的应用，本项目主要基于改进lightcnn模型，训练适用于移动端的人脸识别小模型；
环境安装
- 下载相关代码，并更新子模块；
git clone https://github.com/moli232777144/small_model_face_recognition.git
git submodule update --init
- 安装happynear的caffe-windows，编译GPU版本，并配置matlab环境；
数据预处理
note： 切换preprocess目录下
-
下载 CAISA-WebFace和LFW数据库，放至data目录；
-
运行code/face_detect_demo.m，提取人脸相关信息，result下将会生成dataList.mat文件；
-
运行code/face_align_demo.m，data目录下将会生成CASIA-WebFace-wx-128X128和lfw-wx-128X128的对齐图像；
模型训练
note： 切换train目录下
-
复制数据预处理的CASIA-WebFace-wx-128X128目录到data目录下；
-
运行code/get_list.m，获取CASIA-WebFace-wx-128X128.txt；
-
运行code/lightcnn_small_train.bat；
-
降低学习率等，调参；
模型测试
note： 切换test目录下
-
复制数据预处理的lfw-wx-128X128目录到data目录下；
-
下载LFW(view 2)的测试pairs.txt至data目录下；
-
运行code/evaluation.m，获取识别率；
评测结果
-
初调loss可降低至2.6左右，LFW识别率98.33%；
-
安卓端搭ncnn框架评测，实时速度可达30ms以下，具体数据如下；
M6Note:/data/local/tmp/bin $ ./benchncnn 8 8 0
loop_count = 8
num_threads = 8
powersave = 0
small_face min = 22.55 max = 24.80 avg = 23.66
LightenedCNN_A min = 218.03 max = 259.79 avg = 227.34
LightenedCNN_B min = 77.43 max = 83.81 avg = 79.04
squeezenet min = 44.52 max = 69.33 avg = 49.68
mobilenet min = 74.12 max = 109.70 avg = 79.87
mobilenet_v2 min = 86.45 max = 111.27 avg = 91.01
shufflenet min = 28.59 max = 30.10 avg = 28.93
googlenet min = 139.83 max = 184.98 avg = 154.34
resnet18 min = 183.14 max = 203.49 avg = 190.05
alexnet min = 195.94 max = 219.97 avg = 205.58