在tensorflow中使用迁移学习是否需要预定义图像大小？

我打算在Tensorflow环境中使用预先训练好的模型，如更快的\u rcnn\u resnet101\u pets，用于所述的目标检测

我已经收集了一些培训和测试集的图像。所有这些图像大小不一。我必须将它们调整为普通大小吗

更快\u rcnn\u resnet101\u pets使用输入大小为224x224x3的resnet。

这是否意味着在发送培训之前，我必须调整所有图像的大小？或者由TF自动处理

python train.py --logtostderr --train_dir=training/ --pipeline_config_path=training/faster_rcnn_resnet101_pets.config

---

一般来说，具有相同大小的图像是一种好的做法吗？

不，您不需要自己将输入图像调整为固定形状Tensorflow对象检测api有一个预处理步骤，该步骤将调整所有输入图像的大小。以下是预处理步骤中定义的一个函数，其中有一个

image\u resizer\u fn

，它对应于配置中名为

image\u resizer

的字段

根据文件，您可以选择4种不同的图像大小调整器，即

保持高宽比大小调整器

固定形状大小调整器

标识重定器

条件形状大小调整器

是模型

faster\u rcnn\u resnet101\u pets

的一个示例配置文件，所有图像都使用最小尺寸=600和最大尺寸=1024进行了重塑

model {
  faster_rcnn {
    num_classes: 37
    image_resizer {
      keep_aspect_ratio_resizer {
        min_dimension: 600
        max_dimension: 1024
      }
    }
    feature_extractor {
      type: 'faster_rcnn_resnet101'
      first_stage_features_stride: 16
    }

事实上，大小调整后的图像形状对检测速度和精度性能有很大影响。虽然对输入图像的大小没有具体要求，但为了使卷积运算正常工作，最好使所有最小尺寸的图像都大于合理值

model {
  faster_rcnn {
    num_classes: 37
    image_resizer {
      keep_aspect_ratio_resizer {
        min_dimension: 600
        max_dimension: 1024
      }
    }
    feature_extractor {
      type: 'faster_rcnn_resnet101'
      first_stage_features_stride: 16
    }