问题描述
我对使用 tensorflow/keras 和 fast-rcnn 的对象检测/分割感兴趣。在这里，我试图了解如何为 fast-rcnn 进行图像训练（2GB 到 5GB 图像大小）。用于训练的图像总数约为 10 张，用于验证的图像总数为 7 张。所有图片都有 JSON 注释文件。
我的设置： GPU：（英伟达 6GB） 操作系统：Ubuntu 20.04LTS Cuda 工具包/库/驱动程序：已安装 tensorflow-gpu：已安装
单张图片信息： 原始尺寸：32220 x 26780 像素 原始颜色：1670 万（24 BitsPerPixel） 磁盘大小：2468.64 MB（2,588,556,288 字节） 类型：TIFF
图像中感兴趣的对象： 图像中实际对象（需要检测/分割的）的大小非常小。因此，我无法调整原始图像的大小，因为细节可能会丢失。 然而，我确实从原始图像中裁剪了一个对象。现在裁剪的图像信息是， 尺寸：575x515 像素 颜色：1670 万（每像素 24 位） 磁盘大小：790KB 类型：PNG
建议 1： 直接使用原始图像（以 GB 为单位的大小），无需任何修改或裁剪。由于所有图像都不相同，我可能需要进行填充以使它们的大小相同。 在这种情况下，我有一些疑问：
- fast-rcnn 会在训练前压缩图像吗？
- 在这种情况下我需要的最佳图像尺寸是多少 为 fast-rcnn 配置？
- 如何计算训练单人所需的训练时间 图像在这种情况下（使用 GPU）？
- fast-rcnn 是否有任何与内存 (gpu) 相关的设置？或者我应该 在 cuda 中寻找这个？
- 哪些开源工具将支持填充等操作 巨大的图像文件？
提案 2： 将所有 10 个原始图像中的对象裁剪成较小尺寸的图像。使用注释工具对它们进行单独注释。通过填充使所有裁剪的图像设置相等。 在这种情况下，我有一些疑问：
- 如果我在较小的图像上训练我的模型，那么在测试期间， fast-rcnn 需要类似的小型数据集？或者它能够 在测试/验证阶段拍摄更大的原始图像？在 简而言之，训练图像数据集的大小是否可以不同 验证数据集？目的是减少训练时间...
如果查询过多，请见谅。如果之前已经回答过这些问题，请分享任何链接。
提前致谢
解决方法
暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！
如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@）