Python 培训新的Yolo模型是否需要调整图像大小?
我想用我自己的数据集训练一个新模型。我会的 对其使用暗流/张量流 关于我的疑问: (1) 我们应该根据特定的大小调整训练图像的大小吗 (2) 我认为较小的图像可能会节省时间,但较小的图像会损害准确性吗 (3) 那么要预测的图像呢,我们应该调整它们的大小还是不需要呢?(1)不,不需要。但如果数据集包含随机分辨率,则可以将Python 培训新的Yolo模型是否需要调整图像大小?,python,tensorflow,yolo,darknet,darkflow,Python,Tensorflow,Yolo,Darknet,Darkflow,我想用我自己的数据集训练一个新模型。我会的 对其使用暗流/张量流 关于我的疑问: (1) 我们应该根据特定的大小调整训练图像的大小吗 (2) 我认为较小的图像可能会节省时间,但较小的图像会损害准确性吗 (3) 那么要预测的图像呢,我们应该调整它们的大小还是不需要呢?(1)不,不需要。但如果数据集包含随机分辨率,则可以将 random = 1 在.cfg文件中,以获得更好的结果 (2) 较小的图像不会缩短收敛时间,但如果数据集仅包含较小的图像,则Yolo可能无法收敛(Yolov3不是许多微小对象
random = 1
在.cfg文件中,以获得更好的结果
(2) 较小的图像不会缩短收敛时间,但如果数据集仅包含较小的图像,则Yolo可能无法收敛(Yolov3不是许多微小对象的良好检测器)
(3) 没有必要(1)是的,神经网络具有固定的输入维度。这些可以调整以适合您的目的,但最后您需要提交到定义的输入维度,因此您需要输入适合这些维度的图像。对于YOLO I,请注意以下几点:
layer filters size input output
0 conv 32 3 x 3 / 1 416 x 416 x 3 -> 416 x 416 x 32
可能您正在使用的框架已经为您完成了这一步。也许有人可以对此发表评论
(3) 在推断过程中输入的用于预测的图像/样本应尽可能类似于训练图像/样本。因此无论您对训练数据做什么预处理,您都应该对推理数据做同样的处理
(2) 如果您的硬件无法在内存中保存较大的图像,或者如果您使用较大的批量进行训练,以便您的硬件需要一次在内存中保存多个图像,则较小的图像是有意义的。最后,计算时间与体系结构的操作量成正比,而不一定与图像大小成正比。(1)它已经用.cfg文件中的random=1
调整了它的大小。答案是“是”。图像的输入分辨率是相同的。您可以自己调整大小,也可以由Yolo调整大小
(2) 如果你的硬件足够好,我建议你使用大尺寸的图像。另外,如果你要使用网络摄像头,请使用与网络摄像头相同分辨率的图像
(3) 是的,和培训一样