Detectron2训练过程中输入图像是否会被调整为固定宽高

首先给出明确结论：Detectron2训练阶段不会将所有输入图像硬调整为完全固定的宽度和高度，默认采用保持长宽比的最短边缩放+最长边限制的策略，仅会对同批次内的不同尺寸图像做padding对齐，不同批次的输入尺寸可以存在差异。

默认预处理操作逻辑 #

你可以在Detectron2的默认配置项中找到对应参数：

• INPUT.MIN_SIZE_TRAIN：训练时的最短边目标尺寸，默认值为[640, 672, 704, 736, 768, 800]，每次训练迭代会随机选一个值作为缩放基准
• INPUT.MAX_SIZE_TRAIN：训练时的最长边上限，默认值为1333

举个实际计算例子：如果输入图片原尺寸为19201080，当前随机选中的最短边目标为800，首先会按比例把短边1080缩放到800，对应长边会变成1920(800/1080)≈1422，超过了最长边上限1333，就会再把长边缩到1333，短边同步等比缩放，最终得到的尺寸是1333562，不会强制拉伸到比如1333800的固定尺寸。如果是批量训练场景，只会对同批次内不同尺寸的图片做0值padding，对齐到该批次内最大的宽度和高度，方便组成张量批量计算。

该设计的核心原因 #

• 适配目标检测任务特性：目标检测对目标的尺度、长宽比例很敏感，等比缩放不会改变目标的原生比例，避免拉伸变形导致的特征学习偏差，效果远好于直接硬缩放至固定尺寸
• 提升模型泛化能力：训练时随机选择不同的最短边缩放尺寸，相当于引入了尺度增强，让模型能学习到不同尺度下的目标特征，在测试阶段面对不同尺寸的输入时表现更稳定
• 平衡计算效率和显存占用：设置最长边上限可以避免个别超长/超宽的图片导致显存溢出，同时等比缩放相比固定尺寸裁剪能保留更多完整的图像信息，减少小目标被裁丢的概率
• 兼容多类检测模型结构：不管是anchor-based的Faster R-CNN系列，还是anchor-free的CenterNet等系列算法，都可以适配这种缩放策略，不需要针对模型修改过多输入预处理逻辑

内容的提问来源于stack exchange，提问作者sureone