改变网络输入图像分辨率需要不需要重新训练？

以yolov3为例，我们做实验验证这个问题，yolov3有三种格式的分辨率输入，分别是320*320, 416*416, 608*608，验证思路是分别将这三种尺寸的图像输入网络，看推理效果有没有受到影响，另外，为了便于对照，我们再设置一些额外的网络不支持的分辨率，看现象如何。

关于图像前处理操作的流程参考下面博客：

Darknet框架解读_tugouxp的专栏-优快云博客

320*320：

执行./image_yolov3.sh,结果如下所示，效果非常不错：

推理时间为4036ms.

416x416 

改为416*416分辨率后，推理时间明显变慢了，为7666MS，并且每个物体的置信度都有所变化，这说明改变网络输入图像的尺寸，会对推理结果产生影响：

608*608：

推理时间更长了，达到了17S，这是三种分辨率中精度最高的一个。

以上说明，网络输入的图像尺寸变化情况下，不需要重新训练，因为在训练阶段的训练数据是针对这三种分辨率进行的。

现在看一种不支持的分辨率：

224*224：

不支持的分辨率，推理时间明显变短，而且推理结果很差。

192*192:

160*160:

也很差。

---

结论：

有些模型是动态模型，输入图的尺寸是不固定的，这从另一个角度说明，对于CNN网络来说，输入图尺寸变化不需要重新训练。具体参考博客,它在将一个.pt模型转为ONNX输出时，需要指定输入图的尺寸。这中间权重没有发生变化。

pytorch yolov5 推理和训练环境搭建_papaofdoudou的博客-优快云博客_yolov5推理

结束！