Обучение модели ArcFace и FaceNet для распознавания лиц

Обучение моделей распознавания лиц: от датасета до production

Представьте: ваша компания растёт, каждый день приходят новые сотрудники, а система доступа по ключ-картам небезопасна. Вы решаете внедрить распознавание лиц. Но обычный Softmax-классификатор не справляется — он требует переобучения на каждом новом сотруднике. Решение — обучение кастомной модели с ArcFace loss, которая умеет обобщать на незнакомые identity. Наша команда — AI-инженеры с 5+ годами опыта в computer vision, выполнили 30+ проектов по распознаванию лиц. Гарантируем точность до 99.5% LFW.

ArcFace — стандарт индустрии: точность 99.5% на LFW, компактные эмбеддинги, устойчивость к шуму. Но чтобы получить такое качество, нужно правильно настроить обучение: выбрать backbone, подобрать margin, обработать датасет. Ниже — как мы это делаем.

ArcFace loss: математика и реализация

ArcFace добавляет аддитивный угловой margin m к углу между embedding и соответствующим центром класса:

import torch import torch.nn as nn import torch.nn.functional as F import math class ArcFaceLoss(nn.Module): def __init__( self, embedding_size: int = 512, num_classes: int = 10000, margin: float = 0.5, # угловой margin в радианах (~28.6°) scale: float = 64.0 # масштаб логитов ): super().__init__() self.margin = margin self.scale = scale # Обучаемые центры классов (нормализованные) self.weight = nn.Parameter( torch.FloatTensor(num_classes, embedding_size) ) nn.init.xavier_uniform_(self.weight) self.cos_m = math.cos(margin) self.sin_m = math.sin(margin) self.th = math.cos(math.pi - margin) # порог для численной стабильности self.mm = math.sin(math.pi - margin) * margin def forward( self, embeddings: torch.Tensor, # (B, embedding_size), L2-нормализованные labels: torch.Tensor # (B,) ) -> torch.Tensor: # L2-нормализация весов W = F.normalize(self.weight, dim=1) # cos(θ) = emb · W^T cosine = F.linear(embeddings, W) # (B, num_classes) sine = torch.sqrt(1.0 - cosine.pow(2).clamp(0, 1)) # cos(θ + m) = cos(θ)cos(m) - sin(θ)sin(m) phi = cosine * self.cos_m - sine * self.sin_m # Numerical stability: если θ > π - m, используем косинусный penalty phi = torch.where(cosine > self.th, phi, cosine - self.mm) # One-hot target mask one_hot = torch.zeros_like(cosine) one_hot.scatter_(1, labels.view(-1, 1), 1) # Заменяем logit только для правильного класса output = one_hot * phi + (1.0 - one_hot) * cosine output *= self.scale return F.cross_entropy(output, labels) 

Backbone и embedding: какой выбрать?

InsightFace / ArcFace обычно использует ResNet-50/100 или IResNet. Для production на мобильных устройствах — MobileFaceNet:

import timm def build_face_recognition_model( backbone: str = 'resnet50', # 'resnet100', 'mobilenetv3_small' embedding_size: int = 512, pretrained: bool = True ) -> nn.Module: class FaceEmbedder(nn.Module): def __init__(self): super().__init__() self.backbone = timm.create_model( backbone, pretrained=pretrained, num_classes=0, # убираем classifier head global_pool='avg' ) feat_dim = self.backbone.num_features self.bn = nn.BatchNorm1d(feat_dim) self.drop = nn.Dropout(p=0.4) self.fc = nn.Linear(feat_dim, embedding_size, bias=False) self.bn2 = nn.BatchNorm1d(embedding_size) def forward(self, x: torch.Tensor) -> torch.Tensor: feat = self.backbone(x) feat = self.bn(feat) feat = self.drop(feat) emb = self.fc(feat) emb = self.bn2(emb) return F.normalize(emb, dim=1) # L2-нормализация return FaceEmbedder() 

Как выбрать threshold для open-set recognition?

В production система встречает новых людей, не бывших в train. Используем cosine similarity threshold:

import numpy as np from scipy.spatial.distance import cosine class FaceRecognitionSystem: def __init__( self, model: nn.Module, threshold: float = 0.4 # cosine distance; подбирается по ROC ): self.model = model.eval() self.threshold = threshold self.gallery: dict[str, np.ndarray] = {} # id → embedding def enroll(self, person_id: str, face_image: torch.Tensor) -> None: """Регистрация нового лица в галерее""" with torch.no_grad(): emb = self.model(face_image.unsqueeze(0)) self.gallery[person_id] = emb.cpu().numpy().squeeze() def identify( self, face_image: torch.Tensor, top_k: int = 1 ) -> list[dict]: """Поиск по галерее — 1:N идентификация""" with torch.no_grad(): query_emb = self.model(face_image.unsqueeze(0)) query_np = query_emb.cpu().numpy().squeeze() distances = { person_id: cosine(query_np, gallery_emb) for person_id, gallery_emb in self.gallery.items() } sorted_matches = sorted(distances.items(), key=lambda x: x[1]) results = [] for person_id, dist in sorted_matches[:top_k]: results.append({ 'identity': person_id if dist < self.threshold else 'unknown', 'distance': float(dist), 'confidence': float(1 - dist) }) return results 

Порог cosine distance подбирается по ROC-кривой на вашем тесте. Оптимальный threshold — 0.35–0.45 для большинства корпоративных сценариев. Мы используем метрику TAR@FAR=0.1% как целевую.

Почему ArcFace — стандарт индустрии?

ArcFace даёт компактные кластеры без сложной подборки триплетов, как в FaceNet. Он стабильно держит точность даже на датасетах с шумом. Подробнее про loss можно прочитать в статье.

Метрики и сравнение методов loss

Сравнение loss-функций:

Процесс работы и сроки

Мы не просто тренируем модель — мы строим законченное решение. Процесс включает этапы:

1. Анализ датасета: оценка качества, количества, рекомендации.
2. Подготовка данных: face alignment, аугментация (flip, rotation, blur), разбиение на train/val/test.
3. Выбор backbone и loss: под ваш датасет и железо — от MobileNet до ResNet-100.
4. Обучение: balance-сэмплинг, мониторинг через Weights & Biases.
5. Валидация: TAR@FAR на вашем тесте, ROC-анализ.
6. Квантование и экспорт: INT8/FP16 для edge, ONNX для CPU.
7. Деплой: Docker + Triton/ONNX, REST/gRPC API, документация.

Что входит в работу?

В результат входит:

• Обученная модель с выбранным backbone и loss (ArcFace по умолчанию).
• Документация API, инструкция по развёртыванию.
• Docker-образ с моделью и скриптами тестирования.
• 3 месяца гарантийной поддержки и обновлений.

Сроки:

• Fine-tuning ArcFace на корпоративные данные — 3–5 недель.
• Полная система 1:N с галереей — 5–8 недель.
• Кастомный пайплайн (detection + alignment + recognition) — 8–14 недель.

Стоимость обучения рассчитывается под ваш датасет и требования. Закажите консультацию — мы оценим проект за 1 день. Свяжитесь с нами, чтобы обсудить детали.

Типичные ошибки при обучении моделей распознавания лиц

• Использовать Softmax на open-set задаче — accuracy падает на 5–10%.
• Не делать L2-нормализацию embedding — metric learning не сходится.
• Забывать про face alignment — без него точность падает на 3–5%.
• Ставить слишком низкий threshold — лавина false positives.

Если хотите получить консультацию по вашему датасету, свяжитесь с нами. Закажите обучение модели распознавания лиц — мы оценим проект за 1 день.