/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
vit_reg4_so150m_p14_ls_dino-v2-bio
Библиотека
birder
Опубликована
31 июл 2026

rope_deit3_m14_dino-v2-dist-bio

Эмбеддинги изображенийИзображение → embedding3 профессии

Компактный энкодер Birder для извлечения признаков из фотографий живых организмов, их поиска, сравнения и кластеризации.

131скачиваний за 30 дней0лайковвеса обновлены31 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

rope_deit3_m14_dino-v2-dist-bio — компактный энкодер изображений проекта Birder, полученный дистилляцией более крупной Bio-DINO SoViT-150M/14. Модель построена на основе DeiT3-M/14, содержит 38,3 млн параметров в backbone и формирует эмбеддинги размерности 512. Она также может выдавать карту признаков для задач обнаружения объектов; стандартный размер входного изображения — 252 × 252 пикселя.

Модель предназначена для извлечения визуальных признаков из фотографий живых организмов. Её можно использовать для поиска и сравнения изображений, кластеризации, классификации с обучаемой линейной головой и как backbone для обнаружения объектов. Обучение проводилось на наборе примерно из 31 млн изображений, включающем iNaturalist, BIOSCAN и другие наборы данных о биоразнообразии.

В README приведены результаты оценки на iNaturalist 2021, однако подробные ограничения и оценки из карточки базовой модели здесь не описаны. Модель распространяется по лицензии Apache-2.0; для работы используется библиотека Birder и формат PyTorch.

Сценарии применения

  • Извлечение эмбеддингов из фотографий животных и растений
  • Поиск похожих изображений организмов
  • Кластеризация фотографий биоразнообразия
  • Классификация видов с обучаемой линейной головой
  • Получение карт признаков для обнаружения объектов

Ограничения

Модель рассчитана на изображения живых организмов в контексте естественной фотографии; её качество за пределами этой области не подтверждено приведёнными сведениями. Для входа указан размер 252 × 252 пикселя, а подробные ограничения и результаты полной оценки в этой карточке не приведены.

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

Model Card for rope_deit3_m14_dino-v2-dist-bio

rope_deit3_m14_dino-v2-dist-bio is a compact Bio-DINO image encoder distilled from the larger Bio-DINO SoViT-150M/14 model. It keeps the same natural-photography biodiversity scope as the teacher model, but uses a much smaller DeiT3-M/14-style student with 38.3M backbone parameters and 512-dimensional embeddings.

For the training-data description, intended scope, limitations, broader evaluation design and background on the Bio-DINO release, see the teacher model card. This card focuses only on what is specific to the distilled model.

Model Details

  • Model Type: Image encoder and detection backbone

  • Model Stats:

    • Params (M): 38.3
    • Input image size: 252 x 252
  • Dataset: Trained on a diverse dataset of approximately 31M images, including:

    • TreeOfLife-10M-EOL-NaturalImages
    • iNaturalist 2021
    • BIOSCAN-5M (pretrain split)
    • TreeOfLife-200M (subset)
    • IP102 v1.1
    • iWildCam 2022 (subset)
    • The Birder dataset (private dataset)
  • Papers:

Selected Results

The iNaturalist 2021 result uses a fuller linear-probing setup than the frozen-embedding evaluations above: the backbone is frozen, but the classification head is trained for multiple epochs with light image augmentation.

ModelResolutionParams (M)AccuracyTop-3 accuracyMacro F1
Bio-DINO 224px224142.60.85720.94200.8564
Bio-DINO 252px252142.60.87090.95100.8702
Bio-DINO 336px336142.60.88070.95670.8800
Bio-DINO M/14 (dist)25238.30.83520.92740.8336
Bio-DINO S/14 (dist)25225.50.80100.90550.8000
BioCLIP v1 ViT-B/1622493.50.78900.90050.7874
BioCLIP v2 ViT-L/14224313.40.91690.97450.9164
BioTrove-CLIP-O ViT-B/1622493.50.83510.92900.8334
DINOv2 ViT-B/1422493.40.74920.86450.7457
DINOv3 RoPE ViT-B/1625693.40.78260.88890.7795
DINOv3 RoPE ViT-L/16256313.40.83330.92350.8309
PE-Core RoPE ViT-B/16224100.60.68310.82990.6788
ConvNeXt v1 L ImageNet-22K224211.60.73170.86470.7289

For the iNaturalist 2021 linear-probe table, parameter counts include the frozen image encoder plus the trained 10k-class linear classification head.

Model Usage

Image Embeddings

import birder
from birder.inference.classification import infer_image

# Option 1: manual setup (more control over preprocessing)
net, model_info = birder.load_pretrained_model("rope_deit3_m14_dino-v2-dist-bio", inference=True)

# Get the image size the model was trained on
size = birder.get_size_from_signature(model_info.signature)

# Create an inference transform
transform = birder.classification_transform(size, model_info.rgb_stats)

# Option 2: helper (quick start with default preprocessing)
net, model_info, transform = birder.load_pretrained_model_and_transform("rope_deit3_m14_dino-v2-dist-bio", inference=True)

image = "path/to/image.jpeg"  # or a PIL image
out, embedding = infer_image(net, image, transform, return_embedding=True)
# embedding is a NumPy array with shape of (1, 512)

Detection Feature Map

from PIL import Image
import birder

net, model_info, transform = birder.load_pretrained_model_and_transform("rope_deit3_m14_dino-v2-dist-bio", inference=True)

image = Image.open("path/to/image.jpeg")
features = net.detection_features(transform(image).unsqueeze(0))
# features is a dict (stage name -> torch.Tensor)
print([(k, v.size()) for k, v in features.items()])
# Output example:
# [('stage1', torch.Size([1, 512, 18, 18]))]

Citation

@misc{touvron2022deitiiirevengevit,
      title={DeiT III: Revenge of the ViT},
      author={Hugo Touvron and Matthieu Cord and Hervé Jégou},
      year={2022},
      eprint={2204.07118},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2204.07118},
}

@misc{heo2024rotarypositionembeddingvision,
      title={Rotary Position Embedding for Vision Transformer},
      author={Byeongho Heo and Song Park and Dongyoon Han and Sangdoo Yun},
      year={2024},
      eprint={2403.13298},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2403.13298},
}

@misc{oquab2024dinov2learningrobustvisual,
      title={DINOv2: Learning Robust Visual Features without Supervision},
      author={Maxime Oquab and Timothée Darcet and Théo Moutakanni and Huy Vo and Marc Szafraniec and Vasil Khalidov and Pierre Fernandez and Daniel Haziza and Francisco Massa and Alaaeldin El-Nouby and Mahmoud Assran and Nicolas Ballas and Wojciech Galuba and Russell Howes and Po-Yao Huang and Shang-Wen Li and Ishan Misra and Michael Rabbat and Vasu Sharma and Gabriel Synnaeve and Hu Xu and Hervé Jegou and Julien Mairal and Patrick Labatut and Armand Joulin and Piotr Bojanowski},
      year={2024},
      eprint={2304.07193},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2304.07193},
}

Как запустить

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

GPU в ailist

Универсальный рантайм · birder · image-feature-extraction

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
7462354

0 моделей