chore: 加载时将图像缩放到224*224， resnet禁用crop

roboimi/vla/conf/backbone/resnet_diffusion.yaml

@@ -14,9 +14,9 @@ freeze_backbone: true  # 冻结ResNet参数，只训练后面的pool和out层（
 # ====================
 # 输入配置
 # ====================
-input_shape: [3, 96, 96]  # 输入图像形状 (C, H, W)
-crop_shape: [84, 84]      # 裁剪后的图像形状 (H, W)
-crop_is_random: true      # 训练时使用随机裁剪，评估时使用中心裁剪
+input_shape: [3, 224, 224]  # 输入图像形状 (C, H, W) - ImageNet标准尺寸
+crop_shape: null      # 裁剪后的图像形状 (H, W) - 设为null禁用裁剪
+crop_is_random: true      # 训练时使用随机裁剪，评估时使用中心裁剪（crop_shape=null时无效）
 
 # ====================
 # 归一化和特征提取

roboimi/vla/data/simpe_robot_dataset.py

@@ -86,6 +86,9 @@ class SimpleRobotDataset(Dataset):
                 h5_path = f'observations/images/{cam_name}'
                 if h5_path in f:
                     img = f[h5_path][meta["frame_idx"]]
+                    # Resize图像到224x224（减少内存和I/O负担）
+                    import cv2
+                    img = cv2.resize(img, (224, 224), interpolation=cv2.INTER_LINEAR)
                     # 转换为float并归一化到 [0, 1]
                     img = torch.from_numpy(img).float() / 255.0
                     frame[f"observation.{cam_name}"] = img.permute(2, 0, 1)  # HWC -> CHW