/ Модель

Характеристики

Параметры
403 млн
Лицензия
Своя лицензия
Архитектура
dinov3_vit · dense
Базовая модель
dinov3-vitl16-pretrain-lvd1689m
Библиотека
transformers
Опубликована
13 фев 2026

dinov3-vitl16-pretrain-lvd1689m

Эмбеддинги изображенийИзображение → embedding7 профессий

Визуальный бэкбон DINOv3 ViT-L/16 извлекает плотные признаки изображений для классификации, поиска, сегментации и других задач компьютерного зрения.

344скачиваний за 30 дней0лайковвеса обновлены13 фев 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

DINOv3 ViT-L/16 — модель извлечения визуальных признаков на основе Vision Transformer, разработанная Meta AI. Репозиторий содержит веса, предварительно обученные на LVD-1689M и дистиллированные от учителя DINOv3 ViT-7B; в метаданных указан размер 402,7 млн параметров.

Модель принимает изображения и возвращает вектор CLS, патч-токены и register-токены. При размере изображения 224×224 получается 196 патч-токенов и пять специальных токенов; поддерживаются большие изображения с размерами, кратными 16. Признаки можно использовать без дообучения или подключать к небольшим классификаторам и другим downstream-модулям для классификации, поиска изображений, сегментации, оценки глубины и анализа видео.

Карточка приводит сравнительные результаты на наборах для классификации, сегментации, оценки глубины и других задач, но отмечает различия в качестве между регионами и группами дохода. Лицензия указана как DINOv3 License; условия её применения следует проверять перед использованием.

Сценарии применения

  • извлечение признаков изображений для классификатора
  • поиск похожих изображений по ближайшим соседям
  • семантическая сегментация изображений
  • оценка глубины по изображению
  • обнаружение объектов без учителя
  • отслеживание сегментов в видео

Ограничения

Карточка отмечает различия в результатах между регионами, в частности между Европой и Африкой, а также снижение качества для стран с низким уровнем дохода относительно стран с высоким. Если размеры изображения не кратны 16, оно обрезается до ближайших меньших значений, кратных 16.

Для каких профессий подходит7

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

License and commercial use

This model redistributes DINO Materials under the DINOv3 License Agreement. Commercial use is permitted provided you comply with that agreement and with applicable export and trade control laws. Full terms: LICENSE.md, TERMS_OF_USE.md.

DINOv3 ViT-L/16

Original model by Meta AI: facebookresearch/dinov3

Vision backbone for dense visual features (ViT-L, patch 16). Built with DINOv3.

Model Card

This repository hosts DINOv3 ViT-L/16 pretrained on LVD-1689M: a Vision Transformer (ViT-L, patch size 16) distilled from the DINOv3 ViT-7B teacher. It produces dense visual features suitable for classification, retrieval, segmentation, and other vision tasks without fine-tuning.

Model Details

This model takes an image as input and returns a class token, patch tokens, and register tokens. For a 224×224 image: 1 class token + 4 register tokens + 196 patch tokens = 201 tokens. Inputs can be larger provided dimensions are multiples of 16; otherwise the image is cropped to the nearest smaller multiple.

Model Description

  • Original model: Meta AI (DINOv3)
  • Model type: Vision Transformer (ViT-L/16)
  • License: DINOv3 License

Model Sources

Uses

This model is a vision backbone providing multi-purpose features for downstream tasks.

Direct Use

The model can be used without fine-tuning, with downstream classifiers as simple as linear layers, to obtain competitive results:

  • on image classification, using k-NN classifiers on the class token
  • on image classification, with logistic regression classifiers applied on the class token
  • on image classification, with a linear layer applied on the class token and the average of the patch tokens
  • on image retrieval using nearest neighbors
  • on geometric and semantic 3D keypoint correspondances
  • on depth estimation, semantic segmentation, using linear layers
  • on unsupervised object discovery
  • on video segmentation tracking
  • on video classification, using a small 4-layer attentive probe

Downstream Use

Fine-tuning can yield additional gains but is optional; frozen features are typically strong out-of-the-box.

Bias, Risks, and Limitations

Compared to DINOv2 and SEERv2, DINOv3 delivers somewhat consistent performance across income categories on geographical fairness and diversity, although with a notable performance drop in the low-income bucket compared to the highest-income bucket.

DINOv3 also achieves relatively good scores across different regions, improving over its predecessor DINOv2. However, a relative difference is still observed between Europe and Africa.

Evaluation

Representative results for DINOv3 ViT-L/16 (LVD-1689M) from the paper:

ModelIN-ReaLIN-RObj.NetOx.-HADE20kNYU↓DAVISNAVISPair
DINOv3 ViT-L/1690.288.174.863.154.90.35279.962.361.3

See the paper for evaluation protocols and full benchmarks.

Technical Specifications

  • Architecture: ViT-L (300M parameters), patch size 16, embedding dimension 1024, 4 register tokens, 16 heads, MLP FFN, RoPE

More Information

More on DINOv3: blog, project page.

Citation

BibTeX

@misc{simeoni2025dinov3,
  title={{DINOv3}},
  author={Sim{\'e}oni, Oriane and Vo, Huy V. and Seitzer, Maximilian and Baldassarre, Federico and Oquab, Maxime and Jose, Cijo and Khalidov, Vasil and Szafraniec, Marc and Yi, Seungeun and Ramamonjisoa, Micha{\"e}l and Massa, Francisco and Haziza, Daniel and Wehrstedt, Luca and Wang, Jianyuan and Darcet, Timoth{\'e}e and Moutakanni, Th{\'e}o and Sentana, Leonel and Roberts, Claire and Vedaldi, Andrea and Tolan, Jamie and Brandt, John and Couprie, Camille and Mairal, Julien and J{\'e}gou, Herv{\'e} and Labatut, Patrick and Bojanowski, Piotr},
  year={2025},
  eprint={2508.10104},
  archivePrefix={arXiv},
  primaryClass={cs.CV},
  url={https://arxiv.org/abs/2508.10104},
}

DINOv3 by Meta. Use subject to the DINOv3 License.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
DINOv3ViTModel
Ревизия весов
ea21083

0 моделей