网址：deepinsight/insightfacegit
环境准备：
（1）GPU，因为要用到GPU，因此GPU的环境比较重要。先要安装GPU的驱动，相应的教程，我在前几篇博客里写到，这里再也不说明。 须要说明的是，若是你换过内核版本了，有些内核源码没有，CUDA10，9之间的区别，你须要从新安装内核DEV版本，这样在安装GPU驱动的时候，就会源码能够被驱动使用，这样才能够成功安装GPU的驱动。github
（2）使用anaconda . 通常状况下，咱们安装2.7. 须要其它环境，再安装。 在不少机器学习的教程里，咱们看到了它使用2.7. 好比这个insightface的工程，其实多是最初始的时候，他使用了2.7，但后来，不少优秀的模块构建在新的版本之上 ，其它不少依赖的环境都变化了； 但也不能最新3.7，由于不少要用的模块都还来不及构建。 因此比较合适的选择是3.6. 算法
conda install 在没法找到要安装的模块时，anaconda search -t conda 去寻找；注意选择与你环境相符合的版本。 固然若是你选择了3.6，通常状况下都是有的。 docker
环境很是重要，足可让你浪费很长的时间，作到如上两点，应该能够清晰搞定环境 。api
工程理解
https://github.com/deepinsight/insightface.gitapp
对于工程的理解，应该是重点改进点在recognition上面。 这里须要知道人脸识别的几个模块。detection, alignment, verification ,identification/recognition . 因此，本工程的重点算法的改进在于recognition。而其它的模块，好比detection,可能就直接使用MTCNN。 机器学习
对于工程的使用，主要是按照要求，组建好环境后，./recognition里 config.py里更改 dataset ,数据集， batchsize与gpu个数相关，而后去dataset-zoo下载了数据集后，开始训练，这样就生成了model ,model的生成位置也是在config.py里配置。在训练的过程当中，也看到了verification. ide
若是你懒得去训练,直接使用pre-train model 。能够去文中讲的model-zoo里去下载； 认真点的，能够再使用verification.py学习
src/eval/verification.py验证其精度，不认真的，直接拿去使用吧。spa
须要作的事
（1）训练模型与验证
若是你对精度不满意，须要改进算法，寻找 数据集，训练与验证；这应该是最累且有技术含量的活。累在数据集太大，技术含量在于算法的改进。
（2）使用模型
这块应该只是使用，没难度
（3）封装接口
基本的test完成，后如何封装成可用的服务。
src/api/app.py里看到了相应的源码。 但封装的太少。 使用了flake简单提供了下API接口。 里面的test也可使用。
有个好的工程
https://github.com/SthPhoenix/InsightFace-REST 经过源码 docker两种 方式 进行了封装的展示。能够借鉴。 要看看flake的生产环境的使用。