3、人脸数据集详解：主流公开数据集与数据工程

做人脸比对模型，数据就是一切。模型再牛，喂进去的数据不行，结果就是白搭。我见过太多团队花几个月调网络结构，最后发现是训练集里混了大量重复或错误标签的图片——说白了，模型根本没学到人脸长啥样，光在那背答案了。

这一章，咱们就聊聊数据。我会把主流数据集的特点、数据清洗的坑、以及我常用的增强手段，一次性说清楚。

3.1 主流公开数据集：你得知道它们长什么样

先看几个最常用的。每个数据集都有自己的脾气，选哪个取决于你的任务场景。

数据集	身份数	图片数	特点	我的评价
LFW	5,749	13,233	自然场景，非受限	评测基准，太小不适合训练
MegaFace	690,000+	100万+	含干扰集，挑战大	评测用，训练需谨慎
MS-Celeb-1M	100,000	800万+	大规模，噪声多	经典但必须清洗
VGGFace2	9,131	330万+	姿态、年龄、光照丰富	质量高，我常用

LFW 是绕不开的评测集。它只有一万多张图，但每张都是真实场景。我习惯用它做最终验证，而不是训练。你想想看，模型在 LFW 上能跑到 99.5% 以上，才算及格。

MegaFace 的挑战在于它包含 100 万干扰集。评测时，模型要从海量干扰项里找出正确的人。这个场景很贴近现实——比如安防系统在千万级底库里找人。但我不建议直接用 MegaFace 训练，它的标签噪声不小。

MS-Celeb-1M 是当年的明星数据集。800 万张图，10 万个名人。但问题也很明显：很多图片是新闻截图，同一个人的图片可能来自同一篇文章，背景、光线几乎一样。模型学到的不是人脸特征，而是背景记忆。嗯，这里要注意，用这个数据集必须做清洗。

VGGFace2 是我个人比较偏爱的。它只有 9,131 个身份，但每个身份有 300-500 张图，覆盖了各种姿态、年龄和光照。数据质量高，噪声少。我在很多项目里都用它做预训练，效果很稳。

3.2 数据清洗与去重策略：别让模型学歪了

数据清洗，说白了就是给数据「排雷」。我接手过一个项目，模型在验证集上准确率很高，但一上线就崩。后来发现，训练集里同一个人的图片几乎都来自同一段视频，模型学的是背景纹理，不是人脸。

清洗的核心就两件事：去重 和 纠错。

3.2.1 去重：消除「记忆效应」

去重分两个层面：

• 图片级去重： 同一张图片出现在多个身份文件夹里。这种情况在 MS-Celeb-1M 里很常见。用 MD5 或感知哈希（pHash）就能搞定。
• 身份级去重： 同一个人的图片被标成不同身份。这需要聚类算法辅助。我常用的做法是：先用预训练模型提取特征，然后做 DBSCAN 聚类，把距离近的簇合并。

3.2.2 纠错：清理「脏标签」

标签错误是家常便饭。我见过最离谱的，是把奥巴马的照片标成了特朗普。纠错方法很简单：

1. 用清洗过的子集训练一个初始模型。
2. 用这个模型对全量数据做预测。
3. 把预测置信度低于 0.8 的样本挑出来，人工审核。

这个过程迭代 2-3 轮，基本能清理掉 90% 以上的错误标签。

3.3 数据增强技术：让模型见多识广

数据增强，就是给模型「加餐」。你想想看，模型只见过正面照，突然来一张侧脸，它肯定懵。增强的目的就是模拟真实世界的多样性。

3.3.1 随机裁剪：模拟局部遮挡

随机裁剪不是随便切。我习惯的做法是：

• 先检测人脸，得到 bounding box。
• 在 bbox 周围随机偏移 10%-20%，然后裁剪。
• 缩放到固定尺寸（比如 112x112）。

这样做的好处是，模型能学到「人脸不一定在正中间」这个事实。我在安防项目里用过这个技巧，模型对遮挡和偏转的鲁棒性提升很明显。

3.3.2 颜色抖动：对抗光照变化

颜色抖动，说白了就是随机调整亮度、对比度、饱和度和色相。代码很简单：

import torchvision.transforms as transforms

color_jitter = transforms.ColorJitter(
    brightness=0.3,
    contrast=0.3,
    saturation=0.3,
    hue=0.1
)

参数别设太大。亮度抖动超过 0.5，人脸就变成「鬼片」了。我一般控制在 0.2-0.3 之间。

3.3.3 MixUp：让模型学会「模糊边界」

MixUp 是我最近特别喜欢用的技巧。它不是简单的图片混合，而是把两张人脸按比例叠加，标签也按同样比例混合。

def mixup_data(x, y, alpha=0.2):
    lam = np.random.beta(alpha, alpha)
    batch_size = x.size()[0]
    index = torch.randperm(batch_size)
    mixed_x = lam * x + (1 - lam) * x[index]
    mixed_y = lam * y + (1 - lam) * y[index]
    return mixed_x, mixed_y

为什么有效？因为 MixUp 强迫模型在「两张脸的中间状态」也能做出合理判断。这相当于给决策边界加了平滑约束，模型泛化能力会更强。

3.4 知识结构图：数据工程的完整链路

下面这张图，是我做数据工程时脑子里始终绷着的一根弦。从原始数据到训练集，每一步都不能省。

这条链路，我每次做新项目都会走一遍。别嫌麻烦，数据工程花的时间，会在模型训练阶段加倍还给你。