VGG、ResNet等主流计算机视觉模型是否存在实际的最小输入图像尺寸要求？

官方文档标注的「最小输入高宽224」是预训练阶段的训练输入标准，并非推理/微调阶段不可突破的强制限制

你的理解有一定合理性，但确实有几个容易被忽略的要点：

• 结构兼容性前提：主流开源预训练视觉模型（如VGG）在用于迁移学习时，大部分实现会默认把原模型尾部的固定尺寸全连接层，替换为全局平均池化（GAP）+ 适配下游任务的小型全连接层。修改后的结构本身是全卷积兼容的，只要输入尺寸能覆盖所有下采样层的步长叠加要求（比如VGG总下采样率为32，输入尺寸只要是32的倍数即可），哪怕32、64这类远小于224的尺寸也能正常运行。如果是未做结构修改、保留原生固定全连接层的预训练模型，输入非224尺寸的图像会直接触发张量形状报错，这是很多人容易忽略的前置条件。
• 隐性效果损耗：小尺寸输入运行顺畅、效果不错，大多建立在下游任务难度较低、或小尺寸下核心语义特征未丢失的前提下。预训练模型的特征提取能力是在224尺寸的大规模数据集上训练得到的，对该尺寸下的纹理、边缘、语义特征匹配度最高。输入尺寸过小时，预训练特征的适配度会明显下降，你感知到的「效果不错」往往是和小模型从零训练的基线对比的结果，多数场景下将小图上采样到224再输入模型，还能获得进一步的效果提升，这类隐性损耗很容易被忽略。
• 统一基准的行业意义：官方标注的224最小尺寸本质是为行业提供统一的基准输入规范，不同模型、不同实验都遵循该尺寸时，结果具备横向可比性。个人实验可以按需调整输入尺寸，但如果需要和公开SOTA结果对标、或开源实验结论，就需要遵循该统一标准，否则其他研究者无法复现或横向对比效果。

整体来说，「最小尺寸是惯例而非核心强制参数」的结论，在满足结构修改前提的情况下是成立的，只要注意上述的前置条件和隐性成本即可。

内容的提问来源于stack exchange，提问作者Elabore