【庖丁解牛】从零实现RetinaNet（终）：不同分辨率下RetinaNet的性能表现

所有代码已上传到本人github repository：https://github.com/zgcr/pytorch-ImageNet-CIFAR-COCO-VOC-training
如果觉得有用，请点个star哟！
代码均在pytorch1.4版本中测试过，确认正确无误。

之前有同学提出从零实现RetinaNet（二）中与原论文点数对标的换算方式不太合理，应该按照最终输入网络的图片大小来换算对标分辨率，因为只要最终输入的网络图片大小一样，那么计算量（这里指FLOPS）就完全一样。如果按照这种换算方式，那么我的resize方法与RetinaNet原始resize方法对标分辨率如下：

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

根据新的分辨率对标，我使用my_resize=667和1000在COCO数据集上分别训练了不同分辨率下的RetinaNet。除了下表列出的超参数外，模型的其他超参数设置与从零实现RetinaNet（七）中ResNet50-RetinaNet-aug-iscrowd的参数设置完全一样。
模型表现如下：

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

可以看到如果采用这种方式对标，我实现的RetinaNet和论文中的点数基本一致，在论文中resize=400的情况下只比论文报告点数（0.305）低了0.3个百分点。