/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Базовая модель
dinov2-small
Библиотека
transformers
Опубликована
28 июл 2026

dinov2-small-droid

Эмбеддинги изображенийИзображение → embedding3 профессии

Дообученная на изображениях манипуляций роботов основа DINOv2-small для извлечения визуальных признаков и поиска похожих изображений в робототехнических экспериментах.

19скачиваний за 30 дней0лайковвеса обновлены28 июл 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

SakikoTogawa/dinov2-small-droid — дообученная визуальная основа DINOv2-small, адаптированная на изображениях манипуляций роботов из набора DROID. Модель построена на архитектуре Vision Transformer DINOv2 и содержит 28,3 млн параметров; опубликованы веса teacher backbone в формате safetensors без обучающих проекционных голов и состояния оптимизатора.

Модель предназначена для извлечения признаков изображений в робототехнических экспериментах: замороженной оценки признаков, линейного зондирования, поиска похожих изображений и дальнейшего дообучения. Размер входа — 518 пикселей, размер патча — 14, скрытая размерность — 384. Для сравнения признаков README рекомендует нормализовать CLS-вектор и оценивать результаты на разделении по эпизодам относительно исходной facebook/dinov2-small.

Самообучающая настройка на данных манипуляций роботов не гарантирует улучшения на любой последующей задаче. Лицензия — Apache-2.0; для использования данных DROID следует учитывать условия самого набора данных.

Сценарии применения

  • извлечение признаков из изображений манипуляций робота
  • поиск похожих кадров робототехнических траекторий
  • замороженная оценка визуальных признаков
  • линейное зондирование представлений изображений
  • дообучение визуальной основы для робототехнических задач

Ограничения

Самообученная адаптация не гарантирует улучшения на каждой целевой задаче; результаты следует сравнивать с исходной facebook/dinov2-small на разделении по эпизодам. Опубликованы только веса backbone: обучающие проекционные головы и состояние оптимизатора отсутствуют.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

dinov2-small-droid

This is a DINOv2-small vision backbone adapted on robot-manipulation images from the DROID dataset. It starts from facebook/dinov2-small and preserves the standard Hugging Face Transformers DINOv2 architecture.

  • exported weights: teacher backbone
  • training step: 50,000
  • input size: 518
  • patch size: 14
  • hidden size: 384
  • training-only projection heads and optimizer state: not included

Usage

from PIL import Image
import torch
from transformers import AutoImageProcessor, AutoModel

model_id = "SakikoTogawa/dinov2-small-droid"
processor = AutoImageProcessor.from_pretrained(model_id)
model = AutoModel.from_pretrained(model_id).eval()

image = Image.open("example.jpg").convert("RGB")
inputs = processor(images=image, return_tensors="pt")

with torch.inference_mode():
    outputs = model(**inputs)

cls_feature = outputs.last_hidden_state[:, 0]   # [batch, 384]
patch_features = outputs.last_hidden_state[:, 1:]

For cosine similarity or nearest-neighbor retrieval:

cls_feature = torch.nn.functional.normalize(cls_feature, dim=-1)

Intended use and limitations

The model is intended as an image-feature backbone for downstream robotics experiments such as frozen-feature evaluation, linear probing, retrieval, or further fine-tuning. The adaptation objective is self-supervised and does not guarantee improvement on every downstream task. Compare against the original facebook/dinov2-small using an episode-disjoint evaluation split.

Training data

DROID contains diverse robot-manipulation trajectories collected across multiple scenes and tasks. Consult the DROID project page for dataset details and terms.

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
Dinov2Model
Ревизия весов
84563b8

0 моделей