本文将介绍如何在 OneFlow 中训练 InsightFace，并在验证数据集上对训练好的网络进行验证。
InsightFace 原仓库是基于 MXNet 实现的人脸识别开源项目。
在该项目中，集成了：
-
CASIA-Webface、MS1M、VGG2 等用于人脸识别研究常用的数据集（以 MXNet 支持的二进制的形式提供，从这里查看数据集的详细说明以及下载链接）。
-
以 ResNet、MobilefaceNet、InceptionResNet_v2 等深度学习网络作为 Backbone 的人脸识别模型。
-
涵盖 SphereFace Loss、Softmax Loss、SphereFace Loss 等多种损失函数的实现。
在 InsightFace 开源项目已有的工作基础上，OneFlow 对 InsightFace 基本的人脸识别模型进行了移植，目前已实现的功能包括：
- 支持了使用 MS1M、Glint360k 作为训练数据集，Lfw、Cfp_fp 以及 Agedb_30 作为验证数据集，提供了对网络进行训练和验证的脚本。
- 支持 ResNet100 和 MobileFaceNet 作为人脸识别模型的 Backbone 网络。
- 实现了 Softmax Loss 以及 Margin Softmax Loss（包括 Arcface、Cosface 和 Combined Loss）。
- 实现了模型并行和 Partial FC 优化。
- 实现了 MXNet 和 Onnx 的模型转换。
未来将计划逐步完善：
- 更多的数据集转换。
- 更丰富的 Backbone 网络。
- 更全面的损失函数实现。
- 增加分布式运行的说明。
我们对所有的开发者开放 PR，非常欢迎您加入新的实现以及参与讨论。
在开始运行前，请先确定：
- 安装 OneFlow。
- 准备训练和验证的 OFRecord 数据集。
根据 Install OneFlow 的步骤进行安装最新 master whl 包即可。
python3 -m pip install --find-links https://release.oneflow.info oneflow_cu102 --user
根据 加载与准备 OFRecord 数据集 准备 ImageNet 的 OFReocord 数据集，用以进行 InsightFace 的测试。
InsightFace 原仓库中提供了一系列人脸识别任务相关的数据集，并且已经完成了人脸对齐等预处理过程。请从这里下载相应的数据集，并且转换成 OneFlow 可以识别的 OFRecord 格式。考虑到步骤繁琐，也可以直接下载已经转好的 OFRecord 数据集:训练集和验证集。
下面分别数据集 MS1M-ArcFace 为例，展示如何将下载到的数据集转换成 OFRecord 格式。
下载好的 MS1M-ArcFace 数据集，目录如下：
faces_emore/
train.idx
train.rec
property
lfw.bin
cfp_fp.bin
agedb_30.bin
前三个文件是训练数据集 MS1M 的 MXNet 的 recordio 格式相关的文件，后三个 .bin 文件是三个不同的验证数据集。
运行：
python tools/dataset_convert/mx_recordio_2_ofrecord.py --data_dir datasets/faces_emore --output_filepath faces_emore/ofrecord/train
运行：
python bin_2_ofrecord.py --data_dir=datasets/faces_emore --output_filepath=faces_emore/ofrecord/lfw/ --dataset_name="lfw"
python bin_2_ofrecord.py --data_dir=faces_emore --output_filepath=faces_emore/ofrecord/cfp_fp/ --dataset_name="cfp_fp"
python bin_2_ofrecord.py --data_dir=datasets/faces_emore --output_filepath=faces_emore/ofrecord/agedb_30/ --dataset_name="agedb_30"
为了减小用户使用的迁移成本，OneFlow 的脚本已经修改为 MXNet 实现的风格，用户可以使用 sample_config.py 直接修改参数。同时，还可以通过添加命令行参数 --do_validataion_while_train，实现一边训练一边验证。
对于想要修改的参数可以直接在 sample_config.py 中修改。修改并拷贝 config.py 文件
cp sample_config.py config.py
vim config.py # edit dataset path etc..
运行脚本：
python insightface_train.py --dataset emore --network r100 --loss arcface
即可进行基于 face_emore 数据集使用 ResNet100 作为 Backbone 的训练和验证。
若想进行更大数据集的训练验证，运行脚本
python insightface_train.py --dataset glint360k_8GPU --network r100_glint360k --loss cosface
即可进行基于 glint360k 数据集使用 ResNet100 作为 Backbone 的训练和验证。
在上面训练的过程中，
另外，为了方便查看保存下来的预训练模型的精度，我们提供了一个仅在验证数据集上单独执行验证过程的脚本，入口文件为：insightface_val.py ，使用方式如下：
python insightface_val.py \
--gpu_num_per_node=1 \
--network="r100" \
--model_load_dir=path/to/model_load_dir
其中，用 --model_load_dir 指定想要加载的预训练模型的路径。
精度结果记录可参考：https://github.com/Oneflow-Inc/oneflow_face/tree/partial_fc