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

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