人工智能大模型AI 应用计算机视觉媒体生成微调本地部署【免费下载链接】facechainFaceChain is a deep-learning toolchain for generating your Digital-Twin.项目地址https://gitcode.com/gh_mirrors/fa/facechain点击查看免费下载导读本文是 TopoFR 人脸识别训练链路中的数据集准备实战指南完整讲解 WebFace42M以及其子集 WebFace12M / WebFace4M的下载、解压与目录组织并深入说明为何必须使用mxnet.tools.im2rec生成打乱顺序shuffled的train.rec/train.idx文件使其能够被 Nvidia DALI 加速管线直接消费。读完本文你将能够从原始图片目录出发产出 TopoFR 训练器可直接读取的标准 RecordIO 数据文件并把数据集正确接入 configs 配置文件与 dataset.py 的数据加载流程。本文对应仓库文档为 face_module/TopoFR/docs/prepare_webface42m.md内容在其基础上结合 TopoFR 源码做了完整的参数、原理与调用链扩充。1. WebFace42M 在 TopoFR 训练链路中的定位TopoFRNeurIPS 2024全称 Topology Alignment for Face Recognition的官方 PyTorch 实现位于仓库 face_module/TopoFR其论文与预训练模型信息可在 README.md 中查阅。官方训练数据主要以 MS1MV2约 8.5 万身份、582 万张图和 Glint360K约 36 万身份、1709 万张图为主而 WebFace42M 则是更大规模的增量训练数据选项——从源码注释可以确认该仓库为超大尺度数据集做了专门适配configs/base.py 中明确写着# For Large Sacle Dataset, such as WebFace42M并默认config.dali Falsebackbones/init.py 中注册了vit_t_dp005_mask0、vit_s_dp005_mask_0、vit_b_dp005_mask_005、vit_l_dp005_mask_005四类 Vision Transformer 骨干注释均标注 For WebFace42M。因此要在大规模 WebFace42M 上训练 TopoFR尤其是 ViT 类骨干第一步就是按本文流程把原始图片整理成训练器与 DALI 都能识别的 rec 格式。仓库中另一套工具链 TransFace 也提供了同主题文档 face_module/TransFace/docs/prepare_webface42m.md两套代码共用同一套数据准备思路可互相印证。2. 第一步下载 WebFace42M 并解压WebFace42M 原始数据从官方数据发布站点face-benchmark.org 的 download 页面下载。该数据集按规模分为三档解压后的目录数量如下这是数据本身的固定组织方式务必核对数据集解压后顶层目录数目录编号WebFace4M1 个0WebFace12M3 个0, 1, 2WebFace42M10 个0, 1, 2, 3, 4, 5, 6, 7, 8, 9下载后先整体解压得到上述编号的顶层目录。不要修改目录结构后续im2rec --list --recursive会按递归方式扫描这些目录生成样本清单。3. 第二步为什么必须生成打乱顺序的 Shuffled Rec 文件官方文档强调了一个容易踩坑的关键点Shuffled rec is very important to DALI, and rec without shuffled can cause performance degradation. The origin insightface style rec file do not support Nvidia DALI.含义拆解如下DALINvidia Data Loading Library在读取 MXNet RecordIO 时依赖记录顺序的随机性来完成高效洗牌shuffle。如果 rec 文件内的记录顺序未打乱DALI 无法获得足够的随机访问收益会直接导致训练性能退化InsightFace 风格的旧式 rec 文件不兼容 Nvidia DALI。因此不能直接复用网上常见的 insightface 预处理产物必须使用mxnet.tools.im2recMXNet 官方图像打包工具重新生成 shuffled rec。在 TopoFR 中DALI 读取逻辑由 dataset.py 的dali_data_iter()实现它通过fn.readers.mxnet(pathrec_file, index_pathidx_file, ...)按 shard 读取其中random_shuffleTrue、initial_fill32768用于洗牌的缓冲区大小。也就是说rec 文件里的顺序本身就是 DALI 性能的输入端生成阶段打乱顺序至关重要。4. 第三步使用 mxnet.tools.im2rec 生成 Shuffled Rec4.1 组织你的图片根目录im2rec的输入是一个身份即子目录的图片根目录。官方文档给出的目录结构如下目录名如0_0_0000000其下是该身份的人脸图片0_0.jpg、0_1.jpg…/WebFace42M_Root ├── 0_0_0000000 │ ├── 0_0.jpg │ ├── 0_1.jpg │ ├── 0_2.jpg │ ├── 0_3.jpg │ └── 0_4.jpg ├── 0_0_0000001 │ ├── 0_5.jpg │ ├── 0_6.jpg │ ├── 0_7.jpg │ ├── 0_8.jpg │ └── 0_9.jpg ├── 0_0_0000002 │ ├── 0_10.jpg │ ├── 0_11.jpg │ ├── 0_12.jpg │ ├── 0_13.jpg │ ├── 0_14.jpg │ ├── 0_15.jpg │ ├── 0_16.jpg │ └── 0_17.jpg ├── 0_0_0000003 │ ├── 0_18.jpg │ ├── 0_19.jpg │ └── 0_20.jpg ├── 0_0_0000004 ...WebFace42M_Root可以是解压后的整个 WebFace42M 根目录也可以是其中若干个子目录组成的子集例如只用0目录训练 WebFace4M 量级的数据。4.2 步骤一生成样本清单 train.lst在根目录的上一级目录中执行以下命令递归扫描WebFace42M_Root下所有图片并生成清单文件python -m mxnet.tools.im2rec --list --recursive train WebFace42M_Root--list只生成.lst清单不打包图片--recursive递归扫描子目录把每个子目录当作一个身份labeltrain输出文件前缀产物为train.lstWebFace42M_Root图片根目录路径。4.3 步骤二依据清单打包 train.rec 与 train.idx接着执行打包命令python -m mxnet.tools.im2rec --num-thread 16 --quality 100 train WebFace42M_Root关键参数说明参数推荐值作用--num-thread 1616可依 CPU 核数调整并行编码线程数线程越多打包越快--quality 100100JPEG 编码质量100 为无损级别的最高质量保证人脸细节不损失最终你会得到三个文件train.lst样本清单图片路径 身份标签供中间校验使用train.recRecordIO 数据文件训练时实际读取的图片数据train.idxRecordIO 索引文件配合train.rec实现随机访问。官方文档明确说明train.idx与train.rec是训练实际使用的两个文件。5. 源码视角训练端如何消费 rec 文件5.1 get_dataloader 的加载优先级dataset.py 的get_dataloader()按以下优先级选择数据源root_dir synthetic构造 100 万条随机噪声样本的SyntheticDataset用于速度测试存在train.rec与train.idx走MXFaceDataset即本文准备的 rec 路径见 dataset.py否则退化为普通ImageFolder每个子目录一个类。注意第 2 分支要求两个文件同时存在且文件名必须恰好是train.rec/train.idx因此生成后不要改名。5.2 MXFaceDatasetMXNet RecordIO 读取器dataset.py 的MXFaceDataset使用mx.recordio.MXIndexedRecordIO(path_imgidx, path_imgrec, r)打开索引与数据文件并解析首条记录的 header 来确定样本总数。每个样本经mx.recordio.unpack解出身份标签header.label图片经mx.image.imdecode解码后依次施加RandomHorizontalFlip、ToTensor、Normalize(mean[0.5,0.5,0.5], std[0.5,0.5,0.5])变换。这也解释了为什么图片质量在打包阶段要设为 100——训练预处理不再额外做压缩。5.3 DALI 读取管线若在配置中开启daliTrueget_dataloader会返回dali_data_iter()构建的管线dataset.pyfn.readers.mxnet直接读取train.rec/train.idxnum_shardsworld_size、shard_idrank实现多卡分片initial_fill32768控制洗牌缓冲区fn.decoders.image在 GPUdevicemixed上解码配合fn.crop_mirror_normalize完成归一化mean/std 取 127.5对应像素 0~255 范围与概率 0.5 的随机水平翻转最后经DALIClassificationIterator与DALIWarper封装为 PyTorch 可迭代对象并在 train.py 每轮 epoch 结束后调用train_loader.reset()重置迭代器。正因为这条 DALI 管线要求 rec 内部顺序已随机化第四节使用im2rec生成的 shuffled rec 就是不可或缺的前置条件。6. 在 TopoFR 配置文件中接入 WebFace42MTopoFR 的配置采用base 任务覆盖机制utils/utils_config.py 的get_config()先加载configs/base.py再用具体的任务配置如configs/glint360k_r50.py覆盖并合并output为None时默认输出到work_dirs/配置名。与数据准备直接相关的字段如下以 configs/glint360k_r50.py 为参照字段示例值说明config.rec/mnt/workspace/glint360指向包含train.rec/train.idx的目录即 WebFace42M 根目录config.num_classes360232身份总数必须与数据实际类别数一致config.num_image17091657图片总数用于计算 warmup/total stepconfig.daliFalse是否启用 DALI 读取configs/base.py 注明超大尺度数据集建议保持关闭config.num_workers4DataLoader 工作进程数注意num_classes与num_image必须与你的实际数据规模严格对应。WebFace42M 包含约 4200 万张图、上百万身份训练前建议先用train.lst统计真实数量再回填配置否则会直接导致 step 计算与分类头维度错误。配置示例可参考 configs/ms1mv2_r50.py8.5 万类 / 582 万图与 configs/glint360k_r50.py36 万类 / 1709 万图。此外configs/base.py 的注释给出了大数据的显存/内存策略建议可用mount -t tmpfs -o size140G tmpfs /train_tmp将数据集目录挂载为内存文件系统以加速读取作者环境为 256G 内存。WebFace42M 体积巨大请务必提前评估磁盘与内存容量。7. 常见问题与注意事项rec 顺序未打乱导致 DALI 变慢确认使用的是mxnet.tools.im2rec默认的 shuffle 行为不要手工拼接 rec 或用 insightface 旧格式文件文件命名固定train.rec/train.idx必须成对存在且不改名否则get_dataloader会退化为ImageFolder分支无法享受 RecordIO 与 DALI 的加速--quality 100与解码一致性训练端预处理假定输入为 112×112 人脸图打包时保持 JPEG 最高质量可避免二次压缩带来的精度损失多卡分片与initial_fillDALI 的num_shardsworld_size会自动分片单卡本地缓存 32768 条记录用于洗牌超大数据集上如需更激进的随机化可调大该值依赖安装im2rec属于 MXNet 工具链requirement.txt 已包含mxnet如需启用 DALI 读取则需另行安装 Nvidia DALI 与对应 CUDA 版本仓库中 docs/install_dali.md 目前为 TODO 占位请以 Nvidia 官方安装文档为准。完成上述步骤后把config.rec指向存放train.rec/train.idx的目录即可通过 train.py 的get_dataloader(cfg.rec, ...)启动 WebFace42M 上的 TopoFR 训练后续训练命令、IJB-C 评测命令与预训练模型下载方式参见 README.md。赞分享人工智能大模型AI 应用计算机视觉媒体生成微调本地部署【免费下载链接】facechainFaceChain is a deep-learning toolchain for generating your Digital-Twin.项目地址https://gitcode.com/gh_mirrors/fa/facechain点击查看免费下载相关推荐InsightFace arcface_torch 训练数据准备实战WebFace42M 数据集下载、洗牌与 rec 格式转换全指南InsightFace arcface_torch 训练数据准备实战WebFace42M 数据集下载、洗牌与 rec 格式转换全指南 本文是 InsightF人工智能计算机视觉深度学习MMagic 数据集准备指南CelebA-HQ 人脸数据集下载、目录组织与训练配置接入MMagic 数据集准备指南CelebA HQ 人脸数据集下载、目录组织与训练配置接入 导读 CelebA HQ 是 OpenMMLab 生成与图像编辑工具箱媒体生成计算机视觉深度学习人工智能大模型MMAction2 数据集准备指南Something-Something V2STHV2从下载到文件列表生成全流程MMAction2 数据集准备指南Something Something V2STHV2从下载到文件列表生成全流程 本文是 MMAction2 中 Som人工智能计算机视觉深度学习上一篇RePKG高效解析Wallpaper Engine资源包的专业工具下一篇Webamp 版本演进全解析从 0.0.6 到 2.3.1 的公共 API 与架构变迁创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/10/14 2:50:41 · 阅读 1.2k TopoFR 大规模人脸数据集 WebFace42M 准备指南：下载解压与 DALI 可用 Shuffled Rec 文件生成
人工智能大模型AI 应用计算机视觉媒体生成微调本地部署【免费下载链接】facechainFaceChain is a deep-learning toolchain for generating your Digital-Twin.项目地址https://gitcode.com/gh_mirrors/fa/facechain点击查看免费下载导读本文是 TopoFR 人脸识别训练链路中的数据集准备实战指南完整讲解 WebFace42M以及其子集 WebFace12M / WebFace4M的下载、解压与目录组织并深入说明为何必须使用mxnet.tools.im2rec生成打乱顺序shuffled的train.rec/train.idx文件使其能够被 Nvidia DALI 加速管线直接消费。读完本文你将能够从原始图片目录出发产出 TopoFR 训练器可直接读取的标准 RecordIO 数据文件并把数据集正确接入 configs 配置文件与 dataset.py 的数据加载流程。本文对应仓库文档为 face_module/TopoFR/docs/prepare_webface42m.md内容在其基础上结合 TopoFR 源码做了完整的参数、原理与调用链扩充。1. WebFace42M 在 TopoFR 训练链路中的定位TopoFRNeurIPS 2024全称 Topology Alignment for Face Recognition的官方 PyTorch 实现位于仓库 face_module/TopoFR其论文与预训练模型信息可在 README.md 中查阅。官方训练数据主要以 MS1MV2约 8.5 万身份、582 万张图和 Glint360K约 36 万身份、1709 万张图为主而 WebFace42M 则是更大规模的增量训练数据选项——从源码注释可以确认该仓库为超大尺度数据集做了专门适配configs/base.py 中明确写着# For Large Sacle Dataset, such as WebFace42M并默认config.dali Falsebackbones/init.py 中注册了vit_t_dp005_mask0、vit_s_dp005_mask_0、vit_b_dp005_mask_005、vit_l_dp005_mask_005四类 Vision Transformer 骨干注释均标注 For WebFace42M。因此要在大规模 WebFace42M 上训练 TopoFR尤其是 ViT 类骨干第一步就是按本文流程把原始图片整理成训练器与 DALI 都能识别的 rec 格式。仓库中另一套工具链 TransFace 也提供了同主题文档 face_module/TransFace/docs/prepare_webface42m.md两套代码共用同一套数据准备思路可互相印证。2. 第一步下载 WebFace42M 并解压WebFace42M 原始数据从官方数据发布站点face-benchmark.org 的 download 页面下载。该数据集按规模分为三档解压后的目录数量如下这是数据本身的固定组织方式务必核对数据集解压后顶层目录数目录编号WebFace4M1 个0WebFace12M3 个0, 1, 2WebFace42M10 个0, 1, 2, 3, 4, 5, 6, 7, 8, 9下载后先整体解压得到上述编号的顶层目录。不要修改目录结构后续im2rec --list --recursive会按递归方式扫描这些目录生成样本清单。3. 第二步为什么必须生成打乱顺序的 Shuffled Rec 文件官方文档强调了一个容易踩坑的关键点Shuffled rec is very important to DALI, and rec without shuffled can cause performance degradation. The origin insightface style rec file do not support Nvidia DALI.含义拆解如下DALINvidia Data Loading Library在读取 MXNet RecordIO 时依赖记录顺序的随机性来完成高效洗牌shuffle。如果 rec 文件内的记录顺序未打乱DALI 无法获得足够的随机访问收益会直接导致训练性能退化InsightFace 风格的旧式 rec 文件不兼容 Nvidia DALI。因此不能直接复用网上常见的 insightface 预处理产物必须使用mxnet.tools.im2recMXNet 官方图像打包工具重新生成 shuffled rec。在 TopoFR 中DALI 读取逻辑由 dataset.py 的dali_data_iter()实现它通过fn.readers.mxnet(pathrec_file, index_pathidx_file, ...)按 shard 读取其中random_shuffleTrue、initial_fill32768用于洗牌的缓冲区大小。也就是说rec 文件里的顺序本身就是 DALI 性能的输入端生成阶段打乱顺序至关重要。4. 第三步使用 mxnet.tools.im2rec 生成 Shuffled Rec4.1 组织你的图片根目录im2rec的输入是一个身份即子目录的图片根目录。官方文档给出的目录结构如下目录名如0_0_0000000其下是该身份的人脸图片0_0.jpg、0_1.jpg…/WebFace42M_Root ├── 0_0_0000000 │ ├── 0_0.jpg │ ├── 0_1.jpg │ ├── 0_2.jpg │ ├── 0_3.jpg │ └── 0_4.jpg ├── 0_0_0000001 │ ├── 0_5.jpg │ ├── 0_6.jpg │ ├── 0_7.jpg │ ├── 0_8.jpg │ └── 0_9.jpg ├── 0_0_0000002 │ ├── 0_10.jpg │ ├── 0_11.jpg │ ├── 0_12.jpg │ ├── 0_13.jpg │ ├── 0_14.jpg │ ├── 0_15.jpg │ ├── 0_16.jpg │ └── 0_17.jpg ├── 0_0_0000003 │ ├── 0_18.jpg │ ├── 0_19.jpg │ └── 0_20.jpg ├── 0_0_0000004 ...WebFace42M_Root可以是解压后的整个 WebFace42M 根目录也可以是其中若干个子目录组成的子集例如只用0目录训练 WebFace4M 量级的数据。4.2 步骤一生成样本清单 train.lst在根目录的上一级目录中执行以下命令递归扫描WebFace42M_Root下所有图片并生成清单文件python -m mxnet.tools.im2rec --list --recursive train WebFace42M_Root--list只生成.lst清单不打包图片--recursive递归扫描子目录把每个子目录当作一个身份labeltrain输出文件前缀产物为train.lstWebFace42M_Root图片根目录路径。4.3 步骤二依据清单打包 train.rec 与 train.idx接着执行打包命令python -m mxnet.tools.im2rec --num-thread 16 --quality 100 train WebFace42M_Root关键参数说明参数推荐值作用--num-thread 1616可依 CPU 核数调整并行编码线程数线程越多打包越快--quality 100100JPEG 编码质量100 为无损级别的最高质量保证人脸细节不损失最终你会得到三个文件train.lst样本清单图片路径 身份标签供中间校验使用train.recRecordIO 数据文件训练时实际读取的图片数据train.idxRecordIO 索引文件配合train.rec实现随机访问。官方文档明确说明train.idx与train.rec是训练实际使用的两个文件。5. 源码视角训练端如何消费 rec 文件5.1 get_dataloader 的加载优先级dataset.py 的get_dataloader()按以下优先级选择数据源root_dir synthetic构造 100 万条随机噪声样本的SyntheticDataset用于速度测试存在train.rec与train.idx走MXFaceDataset即本文准备的 rec 路径见 dataset.py否则退化为普通ImageFolder每个子目录一个类。注意第 2 分支要求两个文件同时存在且文件名必须恰好是train.rec/train.idx因此生成后不要改名。5.2 MXFaceDatasetMXNet RecordIO 读取器dataset.py 的MXFaceDataset使用mx.recordio.MXIndexedRecordIO(path_imgidx, path_imgrec, r)打开索引与数据文件并解析首条记录的 header 来确定样本总数。每个样本经mx.recordio.unpack解出身份标签header.label图片经mx.image.imdecode解码后依次施加RandomHorizontalFlip、ToTensor、Normalize(mean[0.5,0.5,0.5], std[0.5,0.5,0.5])变换。这也解释了为什么图片质量在打包阶段要设为 100——训练预处理不再额外做压缩。5.3 DALI 读取管线若在配置中开启daliTrueget_dataloader会返回dali_data_iter()构建的管线dataset.pyfn.readers.mxnet直接读取train.rec/train.idxnum_shardsworld_size、shard_idrank实现多卡分片initial_fill32768控制洗牌缓冲区fn.decoders.image在 GPUdevicemixed上解码配合fn.crop_mirror_normalize完成归一化mean/std 取 127.5对应像素 0~255 范围与概率 0.5 的随机水平翻转最后经DALIClassificationIterator与DALIWarper封装为 PyTorch 可迭代对象并在 train.py 每轮 epoch 结束后调用train_loader.reset()重置迭代器。正因为这条 DALI 管线要求 rec 内部顺序已随机化第四节使用im2rec生成的 shuffled rec 就是不可或缺的前置条件。6. 在 TopoFR 配置文件中接入 WebFace42MTopoFR 的配置采用base 任务覆盖机制utils/utils_config.py 的get_config()先加载configs/base.py再用具体的任务配置如configs/glint360k_r50.py覆盖并合并output为None时默认输出到work_dirs/配置名。与数据准备直接相关的字段如下以 configs/glint360k_r50.py 为参照字段示例值说明config.rec/mnt/workspace/glint360指向包含train.rec/train.idx的目录即 WebFace42M 根目录config.num_classes360232身份总数必须与数据实际类别数一致config.num_image17091657图片总数用于计算 warmup/total stepconfig.daliFalse是否启用 DALI 读取configs/base.py 注明超大尺度数据集建议保持关闭config.num_workers4DataLoader 工作进程数注意num_classes与num_image必须与你的实际数据规模严格对应。WebFace42M 包含约 4200 万张图、上百万身份训练前建议先用train.lst统计真实数量再回填配置否则会直接导致 step 计算与分类头维度错误。配置示例可参考 configs/ms1mv2_r50.py8.5 万类 / 582 万图与 configs/glint360k_r50.py36 万类 / 1709 万图。此外configs/base.py 的注释给出了大数据的显存/内存策略建议可用mount -t tmpfs -o size140G tmpfs /train_tmp将数据集目录挂载为内存文件系统以加速读取作者环境为 256G 内存。WebFace42M 体积巨大请务必提前评估磁盘与内存容量。7. 常见问题与注意事项rec 顺序未打乱导致 DALI 变慢确认使用的是mxnet.tools.im2rec默认的 shuffle 行为不要手工拼接 rec 或用 insightface 旧格式文件文件命名固定train.rec/train.idx必须成对存在且不改名否则get_dataloader会退化为ImageFolder分支无法享受 RecordIO 与 DALI 的加速--quality 100与解码一致性训练端预处理假定输入为 112×112 人脸图打包时保持 JPEG 最高质量可避免二次压缩带来的精度损失多卡分片与initial_fillDALI 的num_shardsworld_size会自动分片单卡本地缓存 32768 条记录用于洗牌超大数据集上如需更激进的随机化可调大该值依赖安装im2rec属于 MXNet 工具链requirement.txt 已包含mxnet如需启用 DALI 读取则需另行安装 Nvidia DALI 与对应 CUDA 版本仓库中 docs/install_dali.md 目前为 TODO 占位请以 Nvidia 官方安装文档为准。完成上述步骤后把config.rec指向存放train.rec/train.idx的目录即可通过 train.py 的get_dataloader(cfg.rec, ...)启动 WebFace42M 上的 TopoFR 训练后续训练命令、IJB-C 评测命令与预训练模型下载方式参见 README.md。赞分享人工智能大模型AI 应用计算机视觉媒体生成微调本地部署【免费下载链接】facechainFaceChain is a deep-learning toolchain for generating your Digital-Twin.项目地址https://gitcode.com/gh_mirrors/fa/facechain点击查看免费下载相关推荐InsightFace arcface_torch 训练数据准备实战WebFace42M 数据集下载、洗牌与 rec 格式转换全指南InsightFace arcface_torch 训练数据准备实战WebFace42M 数据集下载、洗牌与 rec 格式转换全指南 本文是 InsightF人工智能计算机视觉深度学习MMagic 数据集准备指南CelebA-HQ 人脸数据集下载、目录组织与训练配置接入MMagic 数据集准备指南CelebA HQ 人脸数据集下载、目录组织与训练配置接入 导读 CelebA HQ 是 OpenMMLab 生成与图像编辑工具箱媒体生成计算机视觉深度学习人工智能大模型MMAction2 数据集准备指南Something-Something V2STHV2从下载到文件列表生成全流程MMAction2 数据集准备指南Something Something V2STHV2从下载到文件列表生成全流程 本文是 MMAction2 中 Som人工智能计算机视觉深度学习上一篇RePKG高效解析Wallpaper Engine资源包的专业工具下一篇Webamp 版本演进全解析从 0.0.6 到 2.3.1 的公共 API 与架构变迁创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考