我已经微调了一个SSD-Mobilenetv2与火车配置固定调整大小300x300使用tensorflow目标检测API构建，并保存在TF Saved_Model格式。问题:
- 在推理过程中，它如何能够接受任何形状的输入图像(而不仅仅是300x300)，而不需要进行任何预处理，首先将它们调整为300x300，然后将它们传递给模型?
- 是否因为saved_model默认情况下会在推理期间调整大小?(如果是，它也标准化他们，因为在做卷积操作之前)(我是新的saved_model格式，但我认为这不是因为saved_model，但它是如何可能的-因为我认为SSD-Mobilenet包括FC层需要固定的输入大小)或架构使用AdaptivePooling在b/w来实现这一点?
当您进行预测时，您必须使用与模型训练时相同大小的图像。因此，如果您将300 X 300的图像转换为224 X 224，则必须对您想要预测的图像进行相同的操作。MobileNet还期望像素在-1到+1的范围内。Preprocess_input执行该操作。对于希望预测的图像，您需要同样缩放像素。您可以使用前面提到的函数，也可以使用下面所示的等效函数。此外，如果模型是在RGB上训练的，那么图像要确保你想要预测的图像是RGB的。
def scale(image):
return image/127.5-1
Mobilenet V1 (paper)接受224x224x3的输入。Mobilenet V2的添加主要是在层之间的线性瓶颈和快捷/跳过连接，所以我认为架构的输入维度没有改变(Google AI博客文章在MobileNetV2)。
(这是基于我的个人经验):我几乎可以肯定，调整大小只是对图像的缩放，保持原始的宽高比和零填充。或者他们可以直接缩放它并改变宽高比，但这似乎不太可能。他们绝对没有使用自适应池之类的东西来调整大小。