網址：deepinsight/insightfacegit
環境準備：
（1）GPU，因爲要用到GPU，因此GPU的環境比較重要。先要安裝GPU的驅動，相應的教程，我在前幾篇博客裏寫到，這裏再也不說明。 須要說明的是，若是你換過內核版本了，有些內核源碼沒有，CUDA10，9之間的區別，你須要從新安裝內核DEV版本，這樣在安裝GPU驅動的時候，就會源碼能夠被驅動使用，這樣才能夠成功安裝GPU的驅動。github
（2）使用anaconda . 通常狀況下，咱們安裝2.7. 須要其它環境，再安裝。 在不少機器學習的教程裏，咱們看到了它使用2.7. 好比這個insightface的工程，其實多是最初始的時候，他使用了2.7，但後來，不少優秀的模塊構建在新的版本之上 ，其它不少依賴的環境都變化了； 但也不能最新3.7，由於不少要用的模塊都還來不及構建。 因此比較合適的選擇是3.6. 算法
conda install 在沒法找到要安裝的模塊時，anaconda search -t conda 去尋找；注意選擇與你環境相符合的版本。 固然若是你選擇了3.6，通常狀況下都是有的。 docker
環境很是重要，足可讓你浪費很長的時間，作到如上兩點，應該能夠清晰搞定環境 。api
工程理解
https://github.com/deepinsight/insightface.gitapp
對於工程的理解，應該是重點改進點在recognition上面。 這裏須要知道人臉識別的幾個模塊。detection, alignment, verification ,identification/recognition . 因此，本工程的重點算法的改進在於recognition。而其它的模塊，好比detection,可能就直接使用MTCNN。 機器學習
對於工程的使用，主要是按照要求，組建好環境後，./recognition裏 config.py裏更改 dataset ,數據集， batchsize與gpu個數相關，而後去dataset-zoo下載了數據集後，開始訓練，這樣就生成了model ,model的生成位置也是在config.py裏配置。在訓練的過程當中，也看到了verification. ide
若是你懶得去訓練,直接使用pre-train model 。能夠去文中講的model-zoo裏去下載； 認真點的，能夠再使用verification.py學習
src/eval/verification.py驗證其精度，不認真的，直接拿去使用吧。spa
須要作的事
（1）訓練模型與驗證
若是你對精度不滿意，須要改進算法，尋找 數據集，訓練與驗證；這應該是最累且有技術含量的活。累在數據集太大，技術含量在於算法的改進。
（2）使用模型
這塊應該只是使用，沒難度
（3）封裝接口
基本的test完成，後如何封裝成可用的服務。
src/api/app.py裏看到了相應的源碼。 但封裝的太少。 使用了flake簡單提供了下API接口。 裏面的test也可使用。
有個好的工程
https://github.com/SthPhoenix/InsightFace-REST 經過源碼 docker兩種 方式 進行了封裝的展示。能夠借鑑。 要看看flake的生產環境的使用。