为什么我们可以在训练后改变暗网 YOLO 的输入图像大小？

【问题标题】：Why we can change input image size of darknet YOLO after training?为什么我们可以在训练后改变暗网 YOLO 的输入图像大小？
【发布时间】：2021-03-15 07:59:05
【问题描述】：

Darknet yolo 配置文件是这样的：

[net]
batch=64
subdivisions=8
height=416
width=416
channels=3
...

但是我们可以在不训练模型的情况下改变 height 和 width 并通过更大的图像尺寸获得更好的结果（当然推理需要更长的时间）。我有点困惑。当我们改变图像大小时，权重会发生什么？例如，如果第一层有 N 个输入，第二层有 M 个神经元，那么如果网络是全连接的，我们应该有 (N*M + 1) 个权重。所以问题是：我们如何在不改变权重的情况下改变 N（宽度和高度）？

【问题讨论】：

标签： machine-learning deep-learning neural-network yolo darknet

【解决方案1】：

我对这个话题也很陌生，但我认为只有 Yolov1 使用全连接层。看看例如的架构约洛夫2。没有 FC 层，只有卷积。这可能是答案？

【讨论】：

谢谢回复，全连接层只是举例，我不是说yolo有FC层。如果将输入大小从 416 更改为 320，它会传播到所有层，但在更改输入大小后无需更改 .weight 文件进行推理。
是的，我明白你的意思。但是如果只有卷积层，对于任何输入大小，权重不一样吗？可能会改变的是特征图的大小，所以如果你有一个不同的推理输入大小，那么输出不是 13x13 而是其他东西。 Imo 删除所有 FC 层为您提供了一个输入大小独立的网络。
重点是在卷积层中只训练一个核（例如 3*3），然后这个核可以应用于任何输入图像，因为 YOLO 是全卷积网络，我们训练后可以传递任意大小的图像。感谢关键词：“输入大小独立网络”