caffe-face模型部署指南:如何用face_deploy.prototxt与caffemodel完成人脸特征推理
caffe-face模型部署指南:如何用face_deploy.prototxt与caffemodel完成人脸特征推理
👋 本指南面向新手,手把手讲解 caffe-face 深度人脸识别项目的模型部署方法:使用 face_deploy.prototxt 定义推理网络,加载训练好的 caffemodel 权重文件,对人脸图片完成一次前向推理,最终得到 512 维人脸深度特征向量,可用于人脸验证与检索。
上图展示了 Caffe 的两类工作模式:部署推理时只需 Forward(前向传播),数据从输入层逐层流过网络输出特征;而训练时才需要 Backward 反向传播更新参数。本文只关注部署场景。
一、部署前准备:认识 face_example 目录的关键文件
模型部署只需 4 个文件,全部位于 face_example/ 目录:
| 文件 | 作用 | 部署时是否必需 |
|---|---|---|
| face_deploy.prototxt | 推理网络结构定义(输入 112×96 人脸图,输出 512 维特征) | ✅ 必需 |
| caffemodel 权重文件(如 face_snapshot 中的模型) | 训练好的网络参数 | ✅ 必需 |
| face_train_test.prototxt | 训练用网络(含数据层与 loss 层) | ❌ 仅训练需要 |
| face_solver.prototxt | 训练超参数与快照配置 | ❌ 仅训练需要 |
caffemodel 从哪来?由 face_solver.prototxt 中这两行配置决定——每 1000 次迭代保存一个快照,文件名前缀为 face_snapshot/face_train_test:
snapshot: 1000
snapshot_prefix: "face_example/face_snapshot/face_train_test"
训练命令(多卡可加 -gpu X,Y):
./build/tools/caffe train -solver face_example/face_solver.prototxt -gpu 0
训练结束后,在 face_example/face_snapshot/ 中即可取到形如 face_train_test_28000.caffemodel 的权重文件,这就是部署时加载的模型。
💡 项目 README 中还发布了作者在 CAISA-WebFace 数据集上训练、LFW 验证精度约 99% 的预训练模型,可直接用于部署,见 README.md 的 Updates 部分。
二、读懂 face_deploy.prototxt:一张图看懂推理网络
face_deploy.prototxt 是整个部署流程的核心,它定义了"一张人脸图如何变成 512 维特征"。
1️⃣ 网络输入(文件开头几行)
input: "data"
input_dim: 1
input_dim: 3
input_dim: 112
input_dim: 96
即输入一张 3 通道、112×96 像素 的裁剪对齐后的人脸图。
2️⃣ 骨干网络:ResNet 风格结构
从 conv1a 到 res5_6,由 5 组卷积块(conv1~conv5)构成,每组内部是"卷积 → PReLU → 卷积 → PReLU → Eltwise 残差相加"的经典残差块,通道数按 32 → 64 → 128 → 256 → 512 逐步加深,并穿插 MaxPooling 下采样。
3️⃣ 特征输出层 fc5(文件末尾)
layer {
name: "fc5"
type: "InnerProduct"
bottom: "res5_6"
top: "fc5"
inner_product_param {
num_output: 512
}
}
⚠️ 关键点:deploy 文件没有 ImageData 数据层,也没有 SoftmaxWithLoss、CenterLoss 等 loss 层——它是纯粹的特征提取网络,最后一个 blob fc5 就是推理输出,维度 512。而训练版 face_train_test.prototxt 在 fc5 之后还接了 fc6(10572 类)+ SoftmaxWithLoss + CenterLoss,二者结构差异正是"训练版"与"部署版"的区别。
三、用 MATLAB 加载 caffemodel 完成人脸特征推理
官方提供了完整的部署示例脚本 face_example/extractDeepFeature.m,流程分四步:
① 加载模型,创建测试模式网络
caffe.set_device(0);
caffe.set_mode_gpu();
model = 'path_to_deploy/face_deploy.prototxt';
weights = 'path_to_model/face_model.caffemodel';
net = caffe.Net(model, weights, 'test');
三个参数分别对应:prototxt 网络结构、caffemodel 权重、test 推理模式。
② 人脸对齐(5 点相似变换)
用 5 个面部关键点(双眼、鼻尖、双嘴角)做仿射变换,把人脸校正到 112×96 的标准位置——这是模型输入尺寸由来的原因,也是人脸模型精度的关键一步。
③ 数据预处理
cropImg = (cropImg - 127.5)/128;
像素归一化方式(均值 127.5、缩放 1/128)与训练配置 mean_value: 127.5、scale: 0.0078125 完全一致——部署预处理必须复刻训练参数,否则精度会明显下降。随后将数据重排为 (C, H, W) 的 Caffe Blob 格式。
④ 前向推理并拼接特征
res = net.forward({cropImg}); % 原图特征
res_ = net.forward({cropImg_}); % 翻转图特征
deepfeature = [res{1}; res_{1}]; % 拼接为 1024 维
脚本对原图与翻转图各做一次 forward,把两个 512 维特征纵向拼接为 1024 维深度特征向量,后续用它做余弦相似度计算即可完成人脸验证/识别。
上图展示了 Caffe 前向传播的一般过程:数据从 data 层输入,依次经过 InnerProduct 等层,最终得到网络输出。caffe.Net 的 forward 调用走的正是这条链路。
四、批量部署:用 C++ 工具 extract_features 提取特征
除 MATLAB 外,Caffe 自带 C++ 工具可批量提取任意层的特征,源码见 tools/extract_features.cpp。其用法为:
./build/tools/extract_features <caffemodel权重> <数据网络prototxt> <特征blob名> <输出数据库名> <批次数> <db类型> [GPU]
其中"特征 blob 名"填 fc5,即提取人脸特征层;参考文档 examples/feature_extraction/readme.md 还演示了如何用 ImageData 层组织批量图片数据。
五、部署常见问题排查
- 加载权重报 shape 不匹配:caffemodel 必须来自与 face_deploy.prototxt 相同架构的训练,即
face_train_test.prototxt训练出的快照,不要混用其他网络(如 LeNet)的权重。 - 推理结果差异大:检查预处理是否复刻了
(pixel - 127.5) / 128归一化与 112×96 对齐尺寸;确认caffe.Net第三参为'test',避免 Dropout 等层处于训练态。 - 输出维度疑问:单次 forward 输出 512 维(
fc5);官方 demo 额外拼接翻转图特征后为 1024 维,两者都是合法的人脸深度特征表示。
📌 小结:caffe-face 的部署链路非常清晰——face_deploy.prototxt 定义推理结构,caffemodel 提供权重,一次 forward 即得到人脸特征向量。按"准备模型文件 → 对齐预处理 → 前向推理 → 特征比对"四步走,即可快速搭建自己的人脸特征推理系统。

