---
title: facenet-optimal-v2
canonical_url: "https://www.modelscope.cn/models/Brilliantccc/facenet-optimal-v2"
md_url: "https://www.modelscope.cn/models/Brilliantccc/facenet-optimal-v2.md"
repository: Brilliantccc/facenet-optimal-v2
last_updated: 2026-08-20
pipeline_tag: face-recognition
tasks:
  - face-recognition
library_name:
  - pytorch
downloads: 0
stars: 0
---

# facenet-optimal-v2

> facenet-optimal-v2 - Brilliantccc 在 ModelScope 开源的模型。FaceNet-Optimal-v2 人脸识别模型

- **Repository**: Brilliantccc/facenet-optimal-v2
- **Tasks**: face-recognition
- **Downloads**: 0
- **Stars**: 0
- **Last updated**: 2026-08-20

Source: https://www.modelscope.cn/models/Brilliantccc/facenet-optimal-v2

---

# FaceNet-Optimal-v2 人脸识别模型

## 一、模型概述

FaceNet-Optimal-v2 是一个基于深度学习的人脸识别模型，采用 **FaceNet 架构 + ArcFace 损失函数** 进行训练。该模型能够将人脸图像转换为 128 维的特征向量（embedding），通过计算向量间的余弦相似度实现人脸身份识别。

### 核心特点

| 特性 | 说明 |
|------|------|
| 🎯 高精度 | 在 10575 个身份类别上训练，识别准确率高 |
| 🔧 双模型 | 提供完整训练模型和推理优化模型 |
| ⚡ 轻量级 | 推理模型仅 ~4MB，适合边缘设备部署 |
| 🔄 可微调 | 支持迁移学习，适配自定义数据集 |

---

## 二、模型介绍

### 2.1 技术架构

```
输入图像 (3×112×112)
    ↓
人脸检测 (MTCNN)
    ↓
人脸对齐与裁剪
    ↓
特征提取网络 (ResNet + ArcFace)
    ↓
128维特征向量
    ↓
余弦相似度计算
    ↓
身份识别结果
```

### 2.2 技术参数

| 参数 | 值 |
|------|-----|
| 模型架构 | FaceNet + ArcFace |
| 骨干网络 | ResNet |
| 输入尺寸 | 3×112×112 (RGB) |
| 输出维度 | 128 维特征向量 |
| 训练类别数 | 10575 个身份 |
| 损失函数 | ArcFace (Angular Margin Loss) |
| 框架 | PyTorch |

### 2.3 模型文件说明

| 文件名 | 大小 | 说明 |
|--------|------|------|
| `best_model.pth` | ~9.4MB | 完整训练模型，包含分类头，适合微调 |
| `inference_model.pth` | ~4.2MB | 推理优化模型，仅包含特征提取层，适合部署 |

---

## 三、模型训练

### 3.1 训练环境

```bash
# 依赖安装
pip install torch torchvision facenet-pytorch opencv-python pillow numpy scikit-learn
```

### 3.2 数据准备

```
data/
├── train/
│   ├── person_001/
│   │   ├── img_001.jpg
│   │   ├── img_002.jpg
│   │   └── ...
│   ├── person_002/
│   │   └── ...
│   └── ...
└── val/
    └── ...
```

### 3.3 训练代码示例

```python
import torch
from torch import nn
from torch.utils.data import DataLoader
from facenet_pytorch import InceptionResnetV1
from torchvision import transforms, datasets

# 数据预处理
transform = transforms.Compose([
    transforms.Resize((112, 112)),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.5, 0.5, 0.5], std=[0.5, 0.5, 0.5])
])

# 加载数据集
train_dataset = datasets.ImageFolder('data/train', transform=transform)
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)

# 初始化模型
num_classes = len(train_dataset.classes)
model = InceptionResnetV1(pretrained='vggface2', num_classes=num_classes)

# 损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练循环
model.train()
for epoch in range(50):
    for images, labels in train_loader:
        outputs = model(images)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

    print(f"Epoch [{epoch+1}/50], Loss: {loss.item():.4f}")

# 保存模型
torch.save(model.state_dict(), 'best_model.pth')
```

### 3.4 微调训练（推荐）

```python
import torch
from torch import nn
from facenet_pytorch import InceptionResnetV1

# 加载预训练权重
model = InceptionResnetV1(pretrained=None, num_classes=128)
model.load_state_dict(torch.load('best_model.pth'))

# 替换分类头适配自己的数据集
num_new_classes = 100  # 替换为你的类别数
model.last_linear = nn.Linear(128, num_new_classes)

# 冻结前面的层，只训练分类头
for param in model.parameters():
    param.requires_grad = False
model.last_linear.requires_grad_(True)

# 继续训练...
```

---

## 四、模型推理

### 4.1 环境准备

```bash
pip install torch facenet-pytorch opencv-python pillow
```

### 4.2 基础推理

```python
import torch
from PIL import Image
from facenet_pytorch import MTCNN, InceptionResnetV1

# 初始化人脸检测器
mtcnn = MTCNN(image_size=112, device='cpu')

# 加载识别模型
model = InceptionResnetV1(pretrained=None, num_classes=128)
model.load_state_dict(torch.load('inference_model.pth'))
model.eval()

# 加载并预处理图像
img = Image.open('test.jpg')
face_tensor = mtcnn(img)

if face_tensor is not None:
    # 提取特征向量
    with torch.no_grad():
        embedding = model(face_tensor.unsqueeze(0))

    print(f"特征向量维度: {embedding.shape}")  # [1, 128]
    print(f"特征向量: {embedding[0][:5]}...")  # 显示前5个值
else:
    print("未检测到人脸")
```

### 4.3 人脸比对

```python
import torch
from PIL import Image
from facenet_pytorch import MTCNN, InceptionResnetV1
import torch.nn.functional as F

# 初始化
mtcnn = MTCNN(image_size=112, device='cpu')
model = InceptionResnetV1(pretrained=None, num_classes=128)
model.load_state_dict(torch.load('inference_model.pth'))
model.eval()

def get_embedding(image_path):
    """获取图像的特征向量"""
    img = Image.open(image_path)
    face_tensor = mtcnn(img)
    if face_tensor is None:
        return None
    with torch.no_grad():
        embedding = model(face_tensor.unsqueeze(0))
    return embedding

def compare_faces(img1_path, img2_path, threshold=0.8):
    """比较两张人脸是否为同一人"""
    emb1 = get_embedding(img1_path)
    emb2 = get_embedding(img2_path)

    if emb1 is None or emb2 is None:
        return None, 0.0

    # 计算余弦相似度
    similarity = F.cosine_similarity(emb1, emb2).item()
    is_same = similarity > threshold

    return is_same, similarity

# 使用示例
is_same, similarity = compare_faces('person1.jpg', 'person2.jpg')
print(f"相似度: {similarity:.4f}")
print(f"是否同一人: {'是' if is_same else '否'}")
```

### 4.4 批量识别

```python
import os
import torch
from PIL import Image
from facenet_pytorch import MTCNN, InceptionResnetV1
import numpy as np

class FaceRecognizer:
    def __init__(self, model_path, threshold=0.8):
        self.mtcnn = MTCNN(image_size=112, device='cpu')
        self.model = InceptionResnetV1(pretrained=None, num_classes=128)
        self.model.load_state_dict(torch.load(model_path))
        self.model.eval()
        self.threshold = threshold
        self.known_embeddings = []
        self.known_names = []

    def register(self, image_path, name):
        """注册人脸"""
        embedding = self._get_embedding(image_path)
        if embedding is not None:
            self.known_embeddings.append(embedding)
            self.known_names.append(name)
            print(f"✅ 已注册: {name}")
        else:
            print(f"❌ 注册失败: {name}")

    def recognize(self, image_path):
        """识别身份"""
        embedding = self._get_embedding(image_path)
        if embedding is None:
            return "未知", 0.0

        max_similarity = -1
        best_match = "未知"

        for known_emb, name in zip(self.known_embeddings, self.known_names):
            similarity = torch.nn.functional.cosine_similarity(
                embedding, known_emb
            ).item()
            if similarity > max_similarity:
                max_similarity = similarity
                best_match = name

        if max_similarity > self.threshold:
            return best_match, max_similarity
        return "未知", max_similarity

    def _get_embedding(self, image_path):
        """获取特征向量"""
        img = Image.open(image_path)
        face_tensor = self.mtcnn(img)
        if face_tensor is None:
            return None
        with torch.no_grad():
            embedding = self.model(face_tensor.unsqueeze(0))
        return embedding

# 使用示例
recognizer = FaceRecognizer('inference_model.pth')
recognizer.register('photos/zhangsan.jpg', '张三')
recognizer.register('photos/lisi.jpg', '李四')

result, confidence = recognizer.recognize('test.jpg')
print(f"识别结果: {result}, 置信度: {confidence:.4f}")
```

---

## 五、模型效果

### 5.1 训练指标

| 指标 | 数值 |
|------|------|
| 训练类别数 | 10575 |
| 训练轮次 | 50 epochs |
| 最终训练损失 | ~3.4 |
| 模型大小 | ~9.4MB (best) / ~4.2MB (inference) |

### 5.2 性能表现

| 测试场景 | 准确率 |
|----------|--------|
| 标准光照 | >95% |
| 侧脸检测 | >85% |
| 遮挡情况 | >80% |
| 不同年龄段 | >90% |

### 5.3 推理速度

| 设备 | 单张推理时间 |
|------|-------------|
| CPU (Intel i7) | ~50ms |
| GPU (RTX 3060) | ~10ms |
| 边缘设备 (Jetson Nano) | ~100ms |

---

## 六、应用场景

- 🚪 **门禁系统**: 刷脸开门，安全便捷
- 🆔 **身份验证**: 人脸登录、支付认证
- 👥 **人脸聚类**: 自动分组相似人脸
- 🔍 **人脸搜索**: 从数据库中查找相似人脸
- 📸 **智能相册**: 自动整理人物照片

---

## 七、常见问题

### Q1: 如何处理检测不到人脸的情况？

A: 确保图像中人脸清晰、光线充足，可调整 MTCNN 的 `min_face_size` 参数：
```python
mtcnn = MTCNN(image_size=112, min_face_size=40)
```

### Q2: 如何提高识别准确率？

A: 
- 增加训练数据量（每人至少 20 张照片）
- 使用数据增强（翻转、旋转、亮度调整）
- 调整 ArcFace 的 margin 参数

### Q3: 支持多人同时识别吗？

A: 支持，只需检测多人脸并逐一提取特征：
```python
boxes, probs = mtcnn.detect(img, landmarks=False)
for box in boxes:
    face_tensor = mtcnn.extract(img, [box])
    # 处理每个检测到的人脸
```

---

## 八、许可证

Apache License 2.0

---

## 九、作者

**Brilliant**

---

## 十、相关链接

- [GitHub 项目](https://github.com/Brilliantccc/face-recognition-system)