企业官网建设流程全解析

InsightFace 中 IJB-B/IJB-C 评估指南：1:1 与 1:N 协议的人脸识别评测全流程

【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

本篇技术指南聚焦 InsightFace 人脸识别项目中的权威评测基准——IARPA Janus Benchmark-B（IJB-B）与 Benchmark-C（IJB-C）。它面向需要复现论文图表、验证自研模型泛化能力的开发者：读完本文，你将掌握从申请数据集、准备 meta 信息，到运行 1:1 模板对验证（template-to-template verification）与 1:N 检索识别（identification）两个协议，再到输出 ROC 曲线、TPR@FPR 表格与 CMC 曲线的完整实操流程，并理解这套评测脚本的底层实现原理。

IJB-B / IJB-C 是 ArcFace 等主流人脸识别算法论文中必备的评测基准，用于衡量模型在跨姿态、跨年龄、多图像/视频模板场景下的真实泛化能力。本文以仓库中 recognition/evaluation/ijb/README.md 为主线，结合同目录下的 example.sh、ijb_11.py、ijb_1n.py、ijb_evals.py 与 ijb_onnx.py 逐层展开。

一、评测背景：IJB-B / IJB-C 是什么

IJB-B 与 IJB-C 由 IARPA（Intelligence Advanced Research Projects Activity）发起构建，分别发表于 CVPR Workshops 2017（Whitelam 等，[6]）与 ICB 2018（Maze 等，[7]）。与 LFW、MegaFace 等以“单张正脸照”为主的评测集不同，IJB 系列的特点是：

• 模板（Template）与媒体（Media）层级：一个人物（subject）的多个图像/视频片段被组织为一个模板，评测以模板为单位进行相似度计算，更加贴近真实安防场景中“多帧融合”的识别方式；
• 跨姿态、跨年龄：数据来源包含网络照片、视频抽帧等，姿态、光照、年龄跨度大，难度显著高于传统静态人脸评测；
• 两套官方协议：
  • 1:1 验证（Verification）：给定模板对（template pair）与标签，计算模板间相似度，输出 ROC 曲线与 TPR@FPR；
  • 1:N 识别（Identification）：给定 probe（查询模板）与 gallery（注册库模板），输出 Top-1/5/10 准确率以及 FAR/TPR（或称 DIR/FAR）曲线。

仓库中 recognition/evaluation/ijb/README.md 明确指出：IJB-B 与 IJB-C 数据集需要自行向 IARPA 申请，并严格遵守其分发许可协议。评测所需的模型、代码、数据与 meta 信息则通过网盘统一提供（文中给出了 GDrive 与百度网盘两种渠道，其中更新后的 1:1 与 1:N meta 数据单独发布，百度网盘提取码为7g8o）。

注意：本仓库只提供评测脚本与流程说明，不包含 IJB 数据本体。申请到原始数据集后，需按脚本约定的目录结构摆放loose_crop图片与meta目录（详见下文）。

二、目录结构与脚本家族

recognition/_evaluation_/ijb/目录下共包含 6 个文件，构成两代评测工具链：

其中ijb_evals.py是功能最完整的统一入口（新代码优先推荐），ijb_11.py/ijb_1n.py是面向 MXNet 训练产物的经典脚本，ijb_onnx.py则适合已有 ONNX 导出模型的场景。下文逐一讲解。

三、数据与目录准备

3.1 数据集申请与元数据

按照 README.md 的说明：

1. 自行向 IARPA 申请IJB-B与IJB-C原始数据集，遵守分发许可；
2. 下载评测所需的模型、代码、数据与 meta 信息压缩包（GDrive 或百度网盘）；
3. 若有需要，下载更新后的 1:1 与 1:N meta 数据（README 中单独列出了百度网盘与 GDrive 两份更新链接）。

脚本运行所依赖的目录结构（相对当前工作目录）如下：

IJBC/ ├── loose_crop/ # 按 meta 中图片名对应的裁剪人脸图 └── meta/ ├── ijbc_face_tid_mid.txt # 图片名 模板id(tid) 媒体id(mid) ├── ijbc_template_pair_label.txt # 模板1 模板2 标签(1/0) ├── ijbc_name_5pts_score.txt # 图片名 5点关键点(10个数) 人脸得分 ├── ijbc_1N_gallery_G1.csv # 1:N gallery 第一组 ├── ijbc_1N_gallery_G2.csv # 1:N gallery 第二组 └── ijbc_1N_probe_mixed.csv # 1:N probe

IJBB 对应文件名为ijbb_*。其中 gallery 文件在 IJB-B 中名为ijbb_1N_gallery_S1.csv/S2.csv，在 IJB-C 中名为G1.csv/G2.csv——这一差异在 ijb_1n.py 和 ijb_evals.py 中通过条件分支显式处理。

3.2 元数据格式说明

各 meta 文件的解析方式可以从源码直接确认（ijb_11.py）：

• *_face_tid_mid.txt：以空格分隔，第 2 列为模板 id（tid）、第 3 列为媒体 id（mid），用于把图像特征聚合为模板特征；
• *_template_pair_label.txt：以空格分隔，前两列为模板 id 对，第三列为标签（1 表示同一人、0 表示不同人），用于 1:1 验证；
• *_name_5pts_score.txt：每行格式为图片名 x1 y1 x2 y2 ... x5 y5 人脸得分，前 10 个数为 5 个关键点的 (x, y) 坐标，最后一个数为检测器给出的人脸得分（faceness score）；
• 1:N 的*.csv：首行表头，之后每行为模板id, 主体id(subject id)。

3.3 数据规模参考

从 ijb_evals.py 中保留的注释可以看到 IJBC 的规模细节，供读者核对数据完整性：

• 图像总数约227,630张，唯一模板12,115个；
• 1:1 模板对约8,010,270个（其中正样本对 10,270、负样本对 800 万）；
• 1:N 协议中 gallery G1/G2 特征矩阵形状为(1772, 512)与(1759, 512)，probe 特征矩阵为(19593, 512)；
• 人脸得分分布高度集中，约 22.4 万张图得分在 0.9 附近，少量噪声样本得分低至 0.1。

四、快速开始：example.sh 一键评测

example.sh 给出了最直接的用法，同时后台启动 1:1 与 1:N 两个评测任务：

#!/usr/bin/env bash python -u ijb_11.py --model-prefix ./pretrained_models/r100-arcface/model --model-epoch 1 --gpu 0 --target IJBC --job arcface > ijbc_11.log 2>&1 & python -u ijb_1n.py --model-prefix ./pretrained_models/r100-arcface/model --model-epoch 1 --gpu 0 --target IJBB --job arcface > ijbb_1n.log 2>&1 &

该示例的含义：

• 评测模型为r100-arcface（ResNet100 + ArcFace），模型前缀指向./pretrained_models/r100-arcface/model；
• --model-epoch 1指定加载第 1 个 epoch 的 checkpoint（MXNet 的model-symbol.json+model-0001.params形式）；
• 1:1 评测在IJBC上执行，1:N 评测在IJBB上执行，输出分别重定向到ijbc_11.log与ijbb_1n.log，便于后台观察进度。

需要说明的是，脚本通过sys.path.append('./recognition')导入Embedding类（见 ijb_11.py），因此需要在仓库根目录或包含recognition包的环境中运行。

五、1:1 模板验证协议（ijb_11.py）

5.1 命令行参数

i jb_11.py 定义的参数如下：

脚本内部还固定开启了三种评测模式（对应 IJB 评测常见的 N1/D1/F1 组合，见 ijb_11.py）：

use_norm_score = True # if True, TestMode(N1)：保留特征范数信息 use_detector_score = True # if True, TestMode(D1)：用人脸得分加权 use_flip_test = True # if True, TestMode(F1)：水平翻转测试

注意：use_flip_test实际采用的是F2（相加）模式而非 F1（拼接）模式——特征由网络直接输出原图与翻转图拼接后的2×feat_dim向量，代码将前半与后半相加：img_input_feats = img_feats[:, 0:d//2] + img_feats[:, d//2:]（见 ijb_11.py）。

5.2 五步评测流水线

ijb_11.py的主流程分为五个步骤：

Step 1：加载元数据。读取{target}/meta/{target}_face_tid_mid.txt与{target}_template_pair_label.txt，得到模板-媒体映射和模板对标签。

Step 2：抽取图像特征。遍历{target}/meta/{target}_name_5pts_score.txt，对每张图读取裁剪人脸（loose_crop）、按 5 点关键点对齐后送入Embedding模型得到特征，同时记录每张图的人脸得分（ijb_11.py）。

Step 3：聚合模板特征。核心函数image2template_feature（ijb_11.py）实现了两级聚合：

1. 媒体级：同一媒体（如同一视频片段）内的多张图像特征先取均值，得到单条媒体特征；
2. 模板级：模板内所有媒体特征求和，再经sklearn.preprocessing.normalize做 L2 归一化。

该聚合方式正是 IJB 协议的精髓——人脸得分与特征范数可用于降低噪声样本（非人脸）的权重。

Step 4：计算模板对相似度。verification函数（ijb_11.py）通过template2id查表将模板 id 映射到索引，按100,000 对一批的方式分批计算余弦相似度（np.sum(feat1 * feat2, -1)），避免一次性加载全部对的内存压力。

Step 5：输出 ROC 与 TPR@FPR 表格。使用sklearn.metrics.roc_curve与auc，在 FPR 取[1e-6, 1e-5, 1e-4, 1e-3, 1e-2, 1e-1]六个档位处报告 TPR（百分比，保留两位小数），结果通过PrettyTable打印并以 PDF 形式保存 ROC 曲线（见 ijb_11.py）。分数矩阵以{job}.npy保存至{target}_result/目录，方便后续复用。

六、1:N 检索识别协议（ijb_1n.py）

6.1 流程概览

1:N 协议的目标是：给定 probe 模板集合，在 gallery 模板库中检索出对应的主体。ijb_1n.py的关键差异点：

1. 读取 gallery 与 probe 的模板-主体映射（read_template_subject_id_list，ijb_1n.py）；
2. 将 gallery 的 G1/G2（或 S1/S2）两组模板合并，与 probe 一起通过image2template_feature聚合出模板特征；
3. gen_mask建立 probe 主体与 gallery 主体的对应关系（ijb_1n.py）；
4. evaluation函数（ijb_1n.py）计算完整相似度矩阵np.dot(query_feats, gallery_feats.T)，然后：
   • 按 Top-1 / Top-5 / Top-10 统计检索准确率；
   • 对 FAR ∈ {0.01, 0.1} 两个档位，利用heapq.nlargest高效找出负样本相似度阈值，计算对应的 TPR（召回率）。

6.2 与 1:1 的共性

无论是 1:1 还是 1:N，图像特征抽取、翻转相加、范数/人脸得分处理、媒体-模板两级聚合这四步是完全一致的，可以复用到不同脚本中，这也为ijb_evals.py统一框架的诞生埋下伏笔。

七、统一评测框架（ijb_evals.py）：一脚本支持四种后端

ijb_evals.py是对上述两套脚本的现代化重构，用统一的IJB_test类覆盖 1:1、1:N 及批量测试，并支持MXNet / PyTorch / ONNX / Keras四种模型格式。

7.1 模型后端适配

框架通过四个接口类实现后端无关的模型调用（ijb_evals.py）：

• Mxnet_model_interf：load_checkpoint加载 MXNet 符号模型，取fc1_output为嵌入层；
• Torch_model_interf：要求模型为TorchScript（torch.jit.load），权重输入统一做(img - 127.5) * 0.0078125归一化；
• ONNX_model_interf：基于onnxruntime.InferenceSession，同样做 127.5 均值归一化；
• keras_model_interf：加载.h5模型，输入归一化同上。

IJB_test.__init__会根据model_file的后缀（.h5/.pth/.pt/.onnx/ 其他）自动选择对应接口（ijb_evals.py），因此切换模型框架时无需修改任何评测逻辑。

7.2 特征抽取与缓存

• get_embeddings（ijb_evals.py）按 batch 抽取原图与水平翻转图特征；
• extract_IJB_data_11/extract_gallery_prob_data在首次解析 meta 后自动缓存为.npz备份，二次运行直接加载，--force_reload可强制重解析；
• 支持--save_embeddings与-P/--plot_only，可将特征或打分结果落盘，之后无需模型即可复现 ROC 与曲线图。

7.3 命令行参数总览

7.4 典型用法

# 1:1 验证（IJBC，ONNX 模型） python ijb_evals.py -m ./models/w600k_r50.onnx -d /path/to/ijb_data -s IJBC # 批量运行 8 种 N/D/F 组合（对照实验，验证各模式影响） python ijb_evals.py -m ./models/w600k_r50.onnx -d /path/to/ijb_data -s IJBB -B # 1:N 检索识别 python ijb_evals.py -m ./models/w600k_r50.onnx -d /path/to/ijb_data -s IJBC -N # 仅基于已保存结果绘图 python ijb_evals.py -P 'IJB_result/*.npz' -s IJBC

8 种组合由itertools.product([True, False], repeat=3)生成，命名规则为N{use_norm_score}D{use_detector_score}F{use_flip_test}（ijb_evals.py）。run_model_test_1N则会在 1:N 模式下输出 G1、G2 两组 gallery 的 TPR，并计算两者均值（ijb_evals.py）。

八、ONNX 专用评测脚本（ijb_onnx.py）

ijb_onnx.py是另一条轻量路径：直接基于insightfacePython 包中的ArcFaceONNX模型类（对应python-package/insightface/model_zoo/arcface_onnx.py）完成特征抽取。

它与ijb_evals.py的关键差异：

• 使用mx.gluon.data.DataLoader（batch=128、num_workers=4、prefetch=16）并行加载并对齐图片，输入是原图 + 水平翻转图拼接后的 batch，模型一次前向输出2×feat_dim维特征（ijb_onnx.py）；
• 对齐采用相似变换，目标关键点SRC在标准 112×112 五点上统一加 8.0 像素偏移（ijb_onnx.py），这对应 InsightFace 推理管线中常见的“扩展裁剪”策略；
• 命令行参数为--model-file、--image-path、--result-dir、--target，输出同样为{target}_result/{model_name}.npy分数文件与 TPR@FPR 表格（ijb_onnx.py）。

九、评测结果的解读与使用建议

9.1 指标口径

• 1:1 验证：核心指标为TPR@FPR（如 FPR=1e-4 时的 TPR）与AUC。FPR 越低、TPR 越高，说明模型在低误报约束下的识别能力越强；
• 1:N 识别：核心指标为Top-1/5/10 准确率与FAR/TPR 曲线（在ijb_evals.py中称为 DIR/FAR）。注意 1:N 的 TPR 计算只统计“gallery 中存在对应主体”的 probe，evaluation_1N会把无对应主体的 probe 单独归入non_gallery_sims用于阈值估计（ijb_evals.py）。

9.2 模式开关对结果的影响

通过-B批量运行 8 种组合，可以系统观察三个因素对最终指标的影响：

• use_norm_score（N）：是否保留特征范数（人脸质量信号）参与聚合；
• use_detector_score（D）：是否用人脸得分给特征加权，抑制低质量/非人脸样本；
• use_flip_test（F）：是否启用水平翻转融合（F2 相加模式）。

一般经验上 D1 与 F1（即代码默认的use_detector_score=True, use_flip_test=True）组合能带来更稳定的结果，但具体收益应以实测为准——脚本保留这些开关正是为了做这类消融分析。

9.3 与其他评测的衔接

在 InsightFace 项目中，recognition/evaluation/ 目录还包含 MegaFace 评测（megaface/子目录），其 README.md 所述的 IJB 评测与 MegaFace 的“1:N 大规模检索”互为补充：前者侧重模板级跨模态难度，后者侧重百万级噪声库下的检索鲁棒性。训练与验证的更多细节可参考 recognition/README.md 与 recognition/datasets/README.md。

十、致谢与参考文献

IJB 评测工具链的建立离不开以下工作的启发，这也是 README.md 的致谢部分所明确声明的：

• 1:1 协议：感谢 Weidi Xie 的指导（VGGFace2 人脸对齐/评测思路、Multicolumn Networks、Comparator Networks 相关工作），使 ArcFace 得以在 IJB-B / IJB-C 上完成 1:1 协议评测；
• 1:N 协议：感谢 Yuge Huang 的代码（来自 Distribution Distillation Loss 工作）支持 1:N 协议评测。

完整文献清单（编号沿用原文档）：

• [1] Jiankang Deng, Jia Guo, Niannan Xue, Stefanos Zafeiriou.Arcface: Additive angular margin loss for deep face recognition. arXiv:1801.07698, 2018.
• [3] Qiong Cao, Li Shen, Weidi Xie, Omkar M Parkhi, Andrew Zisserman.VGGFace2: A dataset for recognising faces across pose and age. FG, 2018.
• [4] Weidi Xie, Andrew Zisserman.Multicolumn Networks for Face Recognition. BMVC 2018.
• [5] Weidi Xie, Li Shen, Andrew Zisserman.Comparator Networks. ECCV, 2018.
• [6] Whitelam, Cameron, et al.IARPA Janus Benchmark-B Face Dataset. CVPR Workshops, 2017.
• [7] Maze, Brianna, et al.IARPA Janus Benchmark–C: Face Dataset and Protocol. ICB, 2018.
• [8] Yuge Huang, Pengcheng Shen, Ying Tai, Shaoxin Li, Xiaoming Liu, Jilin Li, Feiyue Huang, Rongrong Ji.Distribution Distillation Loss: Generic Approach for Improving Face Recognition from Hard Samples. arXiv:2002.03662.

结语

本文完整梳理了 InsightFace 在 IJB-B / IJB-C 上的评测工具链：从数据申请与目录准备，到example.sh一键启动，再到ijb_11.py的 1:1 五步流水线、ijb_1n.py的 1:N 检索评估，以及面向多后端的统一框架ijb_evals.py和轻量级ijb_onnx.py。无论是复现 ArcFace 论文图表，还是对自研模型做 IJB 基准对齐，都可以在这套脚本基础上快速落地；而脚本中保留的 N/D/F 模式开关，也为深入研究“人脸得分加权、范数保留、翻转融合”对模板级识别性能的影响提供了现成的消融实验框架。

【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