神经网络可以被训练识别一个对象，然后在图像中检测该对象的出现，无论其位置和明显大小如何。在PyTorch中执行此操作的一个示例位于 https://towardsdatascience.com/object-detection-and-tracking-in-pytorch-b3cf1a696a98

正如文本所观察到的，

大部分代码处理的是在保持其纵横比的同时，将图像调整为416像素的正方形，并填充溢出的部分。

因此，模型始终处理416像素的图像，无论是在训练阶段还是在实际的对象检测阶段。被检测的对象，仅为图像的一部分，通常会小于416像素，但这没问题，因为模型已经被训练成以尺度不变的方式检测模式。唯一固定的是输入图像的像素尺寸。

我正在研究一个需要反向操作的场景：训练检测固定尺寸的模式，然后在可变尺寸的图像中检测它们。例如，训练检测10像素的正方形模式，然后在可能为500像素或1000像素的正方形图像中寻找它们，不调整图像大小，但确保只需要寻找10像素大小的模式出现。

在PyTorch中，有没有惯用的方法来实现这一点？

回答：

即使你用固定尺寸的图像训练了检测器，你也可以在推理时使用不同尺寸的图像，因为在faster rcnn/yolo架构中一切都是卷积的。另一方面，如果你只关心10×10的边界框检测，你可以轻松地将其定义为你的 anchors。我建议你使用 detectron2 框架，它是用PyTorch实现的，并且易于配置和修改。