最基本的结论：
只要处于检测器检测范围的目标物，不论它在哪种分辨率的图像中（当然目标物尺寸一定是要小于图像尺寸的），检测器都是可以对它进行检测的。
那么接下来再深入一些
1.检测范围如何确定？
如果不考虑任务本身，通常的理想检测范围是训练时输入图像大小决定的。这个很好理解，因为目标物不可能大于图像的尺寸。训练时，输入图像越大，最后测试时能检测的目标范围越大，性能越高，训练时间越长，推理速度越慢。关于这一点我曾有这样一个疑问，即特征图上的感受野如果比输入图像的尺寸大，那不就能检测比输入图像更大的目标物了吗？其实是不对的，因为虽然感受野的尺寸有这么大，但网络的检测范围应该仅仅依赖于在训练时见过的目标物尺寸。举个生活中的例子，如果你变成了绿巨人，虽然你仍能在我的视线范围内，但我从来没见过这么大的你，那我就不知道这个绿巨人到底是不是你了。
2.不过在实际应用中，一个成功检测器的构建需要考虑很多别的因素，首先一点就是要知道检测目标物的范围，这个通常是根据检测需求来确定的，定好了检测目标的范围，然后去设置检测器的相关参数。举个简单的例子，我们实现监控摄像头下的人脸检测，要求在3米-10米范围内的人脸都需要检测出来，经过观察发现，这个距离范围内的人脸尺寸（通常以长边为准），大概在50像素到300像素之间。最终我们可能把检测范围定位32 pixels到320 pixels之间，训练时的输入图像大小可能定为480像素。这里要多说一句，定义好了检测范围，那么训练数据的准备一定要按照这个范围内的数据分布去准备，否则实际检测效果会出很大问题。
3.接着，一般来说很小的目标物和很大的目标物不建议同时检测。因为一方面太小的目标物（比如小于10像素的）本身的特征判别能力有限，因为可利用的像素少，容易出误检。另一方面，太大的物体会导致太大的图像输入，使得训练不可行。那么要检测很大的物体怎么办？ 比如我们要检测1000像素到2000像素的目标物，这时候我们需要知道的是上界比下界的倍数，这里就是2000/1000=2，这意味着只要你的检测器的检测范围也满足这个倍数即可，比如说让检测器可以检测50 pixels到100 pixels之间的范围。记得在训练和测试的时候要将原图像缩小到原来的1/20即可，这样的话原来1000像素到2000像素的目标物就变成了20像素到100像素之间了。
4.测试阶段到底能适应多大的分辨率？（仅仅推断一次）
这个就和网络本身的复杂度、芯片能够使用的内存大小有关系了，只要一个检测器训练好了，它是可以在任何分辨率上进行使用的，只要你的硬件足够强大。实在不行就只能切图了
