fine-tune YOLO v3 + FaceNet进行人脸识别，辨别。
1. 项目结构
--|------baseface 图片、根据这些图片训练的128d向量，以及文件夹与人名的映射文件
---------|------1 第二个人的图片tag=1
---------|------n 第n个人的图片tag=n
---------|------vector.csv 根据这些图片得到的128维向量以及其类别（文件夹名）
--|------weights_yolo 模型（fune-tuning的yolo v3）
--|------face-names 预测类别，默认即可
--net yolo和facenet的网络
--setting 模型参数，可根据需要修改
--test.py 主体方法
2.模型文件（权重）
YOLO v3的详细预测和训练，可到本人另一个项目YOLO_v3_tensorflow了解。
4.踩的坑
- fine-tune yolo v3时使用的是wider face数据集，其中有两个标注框是宽度或高度为0的，错误标注，筛选的时候需要去除掉这两个标注框，否则nms会报除0的异常。
- 训练svm时，需要标准化，预测时需要用同参数标准化再预测，否则svm预测结果都相同。
- 之前使用model-20170512-110547模型，输出128d向量，效果不好，换成model-20180402-114759模型，输出512d向量，效果有所提升。
- 每个人15张脸部图片，训练svm效果一般，可以增大样本量或者使用一些svm的tricks。
三、使用方法
下载yolo_face和facenet模型文件，放置在data文件夹下，如图
2.制作自己的人脸数据集
并修改data/map.txt，以空格分隔，下标和人脸文件夹名一一对应（map.txt中第一条下标为0，对应data/base_face/0文件夹）。
3.使用工具将图片转换成向量并存储
基于已经储存的vector.csv文件，进行标准化后，运行preprecessing/pre_tools.py内的train_face_svm()，使用scikit-learn训练svm模型，并储存在data/weights_svm/svm.pkl中。
5.开始测试
5.1图片测试
运行根目录下的test.py文件。
放在data/test_video下，将setting/yolo_args.py中的detect_object改为video，input_video 改为视频路径。
另外如果要存储检测后的视频，将setting/yolo_args.py中的output_video改为要存储的路径，并保证各层级文件夹存在。
先转发,然后关注@大数据java架构师 私信“人脸”获取下载链接
