企业官网建设流程全解析

如何用 InsightFace DML-CSR 在 CelebAMask-HQ 上训练人脸解析模型？

【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface

InsightFace 仓库的 parsing/dml_csr 目录包含 CVPR 2022 论文Decoupled Multi-task Learning with Cyclical Self-Regulation for Face Parsing的官方训练代码。README 声明运行环境为 PyTorch 1.7.1 + Python 3.6.2。下面的操作路径全部取自 parsing/dml_csr/README.md 与训练、测试代码的实际内容：配好 CelebAMask-HQ 数据 → 放置 ResNet-101 预训练权重 → 启动多 GPU 训练 → 用 mIoU/f1 和test.py验证结果。

1. 准备环境

README 的安装部分只有一条命令：

pip install -r requirements.txt

实际执行时需要注意两点：

• 当前parsing/dml_csr/目录下没有独立的requirements.txt，整个仓库唯一的 requirements.txt 在根目录，只包含Cython>=0.29.28、cmake>=3.22.3、numpy>=1.22.3三项，远不覆盖训练依赖。
• 直接看 train.py 和 test.py 的导入，训练代码还依赖inplace_abn（InPlaceABN/InPlaceABNSync）、tensorboardX、cv2（OpenCV）等。

因此需要按 README 声明的 PyTorch 1.7.1 + Python 3.6.2 组合自行安装第三方库；上面的命令可以理解为最小兜底，装完仍会缺依赖。

2. 准备 CelebAMask-HQ 数据

README 的 Data 一节列出了 Helen、LaPa、CelebAMask-HQ 三个数据集的下载地址（见 parsing/dml_csr/README.md，本文不复述外部链接）。本任务只需要 CelebAMask-HQ。

数据集类真正读取的目录结构在 dataset/datasets.py 的文档字符串中给出：

CelebAMask-HQ/ ├── train/ │ ├── images/ # 0.jpg, 1.jpg ... │ ├── labels/ # 0.png, 1.png ... │ └── edges/ # 0.png, 1.png ... ├── test/ ├── train_list.txt └── test_list.txt

两个必须核对的细节：

• 数据集类从{dataset}_list.txt读取样本列表（datasets.py），dataset取train/test。每行格式为images/0.jpg labels/0.png，即图像路径与解析掩码路径以空白分隔。
• 训练时除图像、标签外还会加载edges/下的边缘掩码（见 datasets.py 的__getitem__）。README 说边缘生成代码在generate_edge.py中提供，但该文件目前不在仓库内，边缘掩码需要自行随数据集准备或另行生成。

3. 放置 ResNet-101 预训练权重

从零训练时，主干网络用 ImageNet 预训练的 ResNet-101 权重初始化。train.py 第 47 行硬编码了文件名：

RESTORE_FROM = 'resnet101-imagenet.pth'

README 说明该权重需从提供的网盘地址下载（百度盘链接为空，Google Drive 链接可用，具体地址见 README 的 Usage 一节）并放入 snapshot 文件夹。由于代码按工作目录的相对路径加载该文件，把resnet101-imagenet.pth放在运行训练命令的工作目录（即parsing/dml_csr/）即可。

4. 启动多 GPU 训练

README 只给出一种多 GPU 分布式训练命令（README 说明 InplaceABN 需要 PyTorch 的分布式数据并行）：

GPU=4,5,6,7 Node=4 dataset=./datasets/CelebAMask-HQ/ snapshot=./work_dirs/ CUDA_VISIBLE_DEVICES="$GPU" python -m torch.distributed.launch --nproc_per_node="$Node" --master_port=295002 train.py --data-dir "$dataset" --random-mirror --random-scale \ --gpu "$GPU" --batch-size 7 --input-size 473,473 --snapshot-dir "$snapshot" --num-classes 19 --epochs 200 --schp-start 150

在parsing/dml_csr/目录下运行（相对导入与权重文件都以此为基准）。四个变量需要按机器情况替换：

关键参数及取值依据：

• --num-classes 19：CelebAMask-HQ 为 19 类（含背景）。train.py 该参数默认 11、test.py 默认 20，默认值互不一致，必须按 README 显式传 19。
• --random-mirror --random-scale：训练期随机翻转与随机缩放增广。
• --input-size 473,473：模型输入尺寸，训练与测试保持一致。
• --epochs 200 --schp-start 150：共 200 个 epoch，从第 150 个 epoch 起进入周期性自校正（SCHP）阶段——代码在每--cycle-epochs（默认 10）个 epoch 对主模型做滑动平均生成 SCHP 模型、重新估计 BN，并额外评估保存 SCHP 检查点（见 train.py）。
• --batch-size 7：分布式模式下每 GPU 的 batch。
• 损失由Criterion的解析、边缘与一致性项构成，权重由--lambda-s/--lambda-e/--lambda-c控制，默认 1 / 1 / 0.1（见 train.py 与 loss/criterion.py）。

README 只验证了分布式启动方式。train.py 本身存在非分布式分支（单卡时用SingleGPU包装模型，见 train.py），只有一张卡时可以省略torch.distributed.launch前缀直接运行python train.py ...，其余参数不变；该路径不是 README 给出的命令，属于可选尝试。

5. 判断训练进度与产物

训练每--eval_epochs（默认 1）个 epoch 在 test 集上评估一次，并向 snapshot 目录下的output.log写入一行（格式见 train.py）：

mIoU = {...}, and f1 = {...} of epoch = 19, util now, best_f1 = ...

这是代码中的日志模板，括号内的数值取决于实际训练，不是固定预期。同时产生以下文件：

• checkpoint_{epoch}.pth：每个评估 epoch 保存；
• best.pth：对数据目录名不含 "Helen" 的情况（即 CelebAMask-HQ），当f1['Mean_F1']超过历史最佳时更新；
• schp_{n}_checkpoint.pth：SCHP 周期完成时额外保存；
• TensorBoard 事件文件（learning_rate、loss、mIoU、f1 曲线）写入 snapshot 目录的时间戳子目录。

训练中的观察方式就是output.log中 mIoU/f1 是否随 epoch 上升，训练结束后的最终产物是最新的best.pth。

6. 用 test.py 评估模型

tests.py 可加载检查点并在 test 集上评估。README 给出的测试命令为：

python test.py --data-dir "$dataset" --out-dir "$out_dir" --restore-from "$snapshot" --gpu "$GPU" --batch-size 7 --input-size 473,473 --dataset test --num-classes 19

其中$dataset、$GPU沿用训练时定义的值，$snapshot换成训练保存的目录或官方预训练模型文件，$out_dir需自行定义（例如./test_out/）。README 同时提供了官方预训练模型的下载地址，下载后可用--restore-from直接评估。

test.py 的两个行为值得注意：--gpu的值会直接写入CUDA_VISIBLE_DEVICES，权重固定加载到cuda:0；评估完成后向 stdout 打印mIoU和f1两个字典，并把每张图像的解析掩码写到{out_dir}/test/parsing/{图像名}.png。

7. 已知限制

按当前仓库状态复现时，有四点必须先知道：

1. 边缘生成脚本缺失：README 提到的generate_edge.py不在仓库中，训练必需的edges/目录需自行准备。
2. 依赖清单不完整：根目录requirements.txt覆盖不了训练依赖，inplace_abn、tensorboardX等需按环境说明自行安装。
3. train.py 现存缺陷：验证集构建引用了参数解析器中未定义的args.model_type（train.py），数据加载器使用了未导入的data.DataLoader（train.py）。README 命令是预期用法，实际运行前需要在自己的代码副本中处理这两处。
4. 类别数默认值不一致：train.py 默认 11、test.py 默认 20，CelebAMask-HQ 上训练与测试都必须显式传--num-classes 19，否则与 README 口径不符。

【免费下载链接】insightfaceState-of-the-art 2D and 3D Face Analysis Project项目地址: https://gitcode.com/GitHub_Trending/in/insightface