DeepFace人脸识别：默认模型、微调还是从头训练？附数据增强疑问

问题1：1000个类别、每类10张图像的数据集，用预训练模型还是微调更具优势？ #

优先选基于预训练模型做微调，直接用预训练模型也能得到不错的结果，但微调后效果会更贴合你的数据集。

• 预训练模型（比如DeepFace支持的VGG-Face、Facenet等）已经在百万级人脸数据上学到了通用的人脸特征表达，你的数据集只有10000张图，数据量不算大，直接用预训练模型提取特征做分类，就能避免从头训练的过拟合问题。
• 微调的话，建议冻结模型的前几层（保留通用特征提取能力），只对最后几层（比如分类头）或者最后几个卷积块进行微调，这样既利用预训练的知识，又让模型适配你的数据集，同时不会因为数据量小而快速过拟合。

问题2：是否需要从头训练模型？若需要，应采用哪些数据增强技术？ #

不需要从头训练。从头训练需要海量的人脸数据支撑，你的数据集每类仅10张图，数据量远远不够，从头训出来的模型很容易过拟合，特征提取能力远不如预训练模型。
只有当你的数据集包含极端特殊的人脸特征（比如和通用人脸数据集差异极大的种族、极端拍摄角度/光照、特殊妆容遮挡等），预训练模型完全适配不了时，才考虑从头训练。如果真要从头训，必须搭配以下数据增强技术来扩充数据、提升模型泛化能力：

• 水平翻转：人脸最常用的增强方式，符合人脸左右对称的特性，不会改变特征本质
• 随机小角度旋转：±15度以内的旋转，避免人脸过度变形
• 随机裁剪：围绕人脸区域进行小范围裁剪，模拟不同的拍摄构图
• 颜色扰动：微调图像的亮度、对比度、饱和度、色调，模拟不同光照环境
• 局部遮挡：用小方块随机遮挡人脸的非关键区域（比如脸颊、额头），模拟眼镜、口罩等部分遮挡场景
• 高斯模糊：轻微的高斯模糊，模拟拍摄时的失焦情况
• 人脸归一化：严格对齐人脸的关键点（眼睛、鼻子、嘴巴），统一人脸的姿态和尺度，提升模型的稳定性

内容的提问来源于stack exchange，提问作者user23845312