写个python代码 利用faster_rcnn_resnet50_fpn模型给一张大图和一张小图，从大图中识别小图位置并返回小图在大图中的坐标

好的，以下是一个利用 `faster_rcnn_resnet50_fpn` 模型给一张大图和一张小图，从大图中识别小图位置并返回小图在大图中的坐标的 Python 代码：

import torch
import torchvision
import cv2
import numpy as np

# 加载模型
model = torchvision.models.detection.fasterrcnn_resnet50_fpn(pretrained=True)

# 定义设备，如果有GPU则使用GPU
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

# 将模型移动到设备上
model.to(device)

# 设置阈值
threshold = 0.5

# 加载大图和小图
large_image = cv2.imread('large.jpg')
small_image = cv2.imread('small.jpg')

# 转换小图为Tensor，并将其移动到设备上
small_image_tensor = torchvision.transforms.functional.to_tensor(small_image)
small_image_tensor = small_image_tensor.to(device)

# 执行推理
model.eval()
with torch.no_grad():
    # 将大图转换为Tensor，并将其移动到设备上
    large_image_tensor = torchvision.transforms.functional.to_tensor(large_image)
    large_image_tensor = large_image_tensor.to(device)
    
    # 执行推理
    outputs = model([large_image_tensor])
    
    # 获取物体框和分数
    boxes = outputs[0]['boxes'].cpu().numpy()
    scores = outputs[0]['scores'].cpu().numpy()
    
    # 循环遍历所有的物体框
    for i in range(len(boxes)):
        # 如果物体分数大于阈值，则认为检测到了小图
        if scores[i] > threshold:
            # 获取物体框的坐标
            x1, y1, x2, y2 = boxes[i]
            
            # 将物体框转换为整数类型
            x1, y1, x2, y2 = int(x1), int(y1), int(x2), int(y2)
            
            # 从大图中截取出小图
            cropped_image = large_image[y1:y2, x1:x2]
            
            # 判断小图和目标小图是否匹配
            if cropped_image.shape == small_image.shape:
                # 计算小图在大图中的坐标
                x, y = x1, y1
                
                # 输出小图在大图中的坐标
                print("小图在大图中的坐标为：x={}, y={}".format(x, y))

在这个代码中，我们首先加载了 `faster_rcnn_resnet50_fpn` 模型，并将其移动到所选设备（如果有GPU，则使用GPU）。然后，我们加载了大图和小图，并将小图转换为Tensor，并将其移动到设备上。接下来，我们执行推理操作，获取所有的物体框和分数。我们循环遍历所有的物体框，如果物体分数大于阈值，则认为检测到了小图。然后，我们从大图中截取出小图，并计算小图在大图中的坐标。最后，我们输出小图在大图中的坐标。