【庖丁解牛】從零實現RetinaNet（終）：不同分辨率下RetinaNet的性能表現

所有代碼已上傳到本人github repository：https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-VOC-training
如果覺得有用，請點個star喲！
代碼均在pytorch1.4版本中測試過，確認正確無誤。

之前有同學提出從零實現RetinaNet（二）中與原論文點數對標的換算方式不太合理，應該按照最終輸入網絡的圖片大小來換算對標分辨率，因爲只要最終輸入的網絡圖片大小一樣，那麼計算量（這裏指FLOPS）就完全一樣。如果按照這種換算方式，那麼我的resize方法與RetinaNet原始resize方法對標分辨率如下：

retinanet_resize=400,my_resize=667
retinanet_resize=500,my_resize=833
retinanet_resize=600,my_resize=1000
retinanet_resize=700,my_resize=1166
retinanet_resize=800,my_resize=1333

根據新的分辨率對標，我使用my_resize=667和1000在COCO數據集上分別訓練了不同分辨率下的RetinaNet。除了下表列出的超參數外，模型的其他超參數設置與從零實現RetinaNet（七）中ResNet50-RetinaNet-aug-iscrowd的參數設置完全一樣。
模型表現如下：

Network	batch	gpu-num	apex	syncbn	epoch5-mAP-loss	epoch5-mAP-loss	epoch12-mAP-loss
ResNet50-RetinaNet-myresize667	24	2	yes	no	0.264,0.61	0.298,0.51	0.302,0.49
ResNet101-RetinaNet-myresize667	24	2	yes	no	0.269,0.61	0.293,0.51	0.298,0.49
ResNet50-RetinaNet-myresize1000	16	4	yes	no
ResNet101-RetinaNet-myresize1000	16	4	yes	no

可以看到如果採用這種方式對標，我實現的RetinaNet和論文中的點數基本一致，在論文中resize=400的情況下只比論文報告點數（0.305）低了0.3個百分點。