TensorFlow 2目标检测API不同尺寸图像输入处理规则咨询

直接给核心结论：

• 完全不需要提前把所有图像预处理成统一尺寸再做边界框标注。标注时直接使用原始尺寸的图像即可，标注的边界框坐标只要和对应图像的尺寸匹配，不管是存绝对像素坐标还是归一化相对坐标，API的数据加载模块都能正确解析。
• 模型内部会自动完成输入图像的尺寸调整，且全流程会同步记录坐标变换参数，最终输出的预测边界框会自动适配回原始输入图像的尺寸，不需要手动缩放修正预测结果。

很多人困惑的「官方预训练模型都配置了预设输入尺寸」，其实是模型骨干网络要求的固定输入张量规格，属于模型内部预处理环节的配置，不是对输入原始图像的尺寸要求。内部的实际处理逻辑是：

1. 接收到任意尺寸的输入原图后，按照预处理配置自动做尺寸调整：一般会保持图像原始长宽比，将边对齐到预设输入尺寸的对应长度，剩余区域补灰边凑成固定的输入张量尺寸，再送入骨干网络做特征提取
2. 缩放比例、补边偏移量这些变换参数会在前向传播过程中全程保留，模型输出原始预测框后，会自动抵消补边带来的坐标偏移、逆缩放映射回原始输入图像的坐标体系，最终返回的检测结果坐标可以直接在原图上绘制使用。

避坑提示：不要自作主张提前把所有数据集图像硬拉伸/裁剪成统一尺寸。如果提前做了不保持长宽比的强制缩放，标注的框坐标和模型内部预处理逻辑不匹配，反而会出现坐标错位的问题；就算提前做了保持长宽比的缩放加补边，也只是重复做了模型本来就会做的工作，完全多此一举。

实际训练时，数据集里的图像完全可以混着不同尺寸用，480p、720p、4K分辨率的图放在同一个训练集里也不会出问题。和预设输入尺寸相关的唯一选型参考是：如果你的检测场景里小目标居多，可以选择预设输入尺寸更大的预训练权重（比如选1024×1024输入规格的模型而不是512×512的），小目标检测精度会更高，这个选型不影响你标注数据、加载数据的逻辑。

内容的提问来源于stack exchange，提问作者user3328923