Характеристики

Параметры: 113 млн
Лицензия: Apache 2.0
Архитектура: dinov2 · dense
Базовая модель: dinov2-base
Библиотека: transformers
Опубликована: 7 окт 2026

Ссылки

Hugging Face

hpa-dinov2-base

Brighttbright

Классификация изображенийИзображение → label

Дообученная модель DINOv2 с 113,2 млн параметров для классификации изображений.

1 983скачиваний за 30 дней0лайковвеса обновлены7 окт 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

Brighttbright/hpa-dinov2-base — дообученная модель компьютерного зрения на основе facebook/dinov2-base, разработанная пользователем Brighttbright. Она предназначена для классификации изображений. Модель содержит 113,2 млн параметров, использует архитектуру DINOv2 и распространяется в формате Safetensors.

В README приведены результаты оценки: loss 0,1928 и macro F1 0,3540. Датасет обучения не назван, поэтому нельзя уточнить предметную область или классы, которые распознаёт модель. Лицензия — Apache-2.0.

Сценарии применения

классификация изображений по обученным категориям
оценка качества модели на наборах изображений
эксперименты с дообучением визуального трансформера

Ограничения

Датасет и набор классов не описаны; указанное значение macro F1 составляет 0,3540, поэтому качество может быть ограниченным для практического применения.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

hpa-dinov2-base

This model is a fine-tuned version of facebook/dinov2-base on the None dataset. It achieves the following results on the evaluation set:

Loss: 0.1928
Macro F1: 0.3540

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 5e-05
train_batch_size: 64
eval_batch_size: 128
seed: 42
optimizer: Use OptimizerNames.ADAMW_TORCH_FUSED with betas=(0.9,0.999) and epsilon=1e-08 and optimizer_args=No additional optimizer arguments
lr_scheduler_type: cosine
lr_scheduler_warmup_steps: 87
num_epochs: 1
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Macro F1
0.1985	1.0	437	0.1928	0.3540

Framework versions

Transformers 5.16.1
Pytorch 2.11.0+cu128
Datasets 4.8.5
Tokenizers 0.23.1

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: Dinov2ForImageClassification
Ревизия весов: 1d97e98