/ Модель

Характеристики

Лицензия
Apache 2.0
Базовая модель
vit_reg4_so150m_p14_ls_dino-v2-bio
Библиотека
birder
Опубликована
18 мая 2026

vit_reg1_s14_ls_dino-v2-dist-bio

Эмбеддинги изображенийИзображение → embedding3 профессии

Компактный дистиллированный энкодер ViT для извлечения признаков из природных фотографий биоразнообразия.

152скачиваний за 30 дней4лайкавеса обновлены22 мая 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

vit_reg1_s14_ls_dino-v2-dist-bio — компактный энкодер изображений проекта Birder, полученный дистилляцией Bio-DINO SoViT-150M/14. Это ViT-S/14-подобная модель с 21,7 млн параметров и эмбеддингами размерности 384; она принимает изображения размером 252 × 252 пикселя. Модель предназначена для извлечения визуальных признаков из природных фотографий биоразнообразия, а также может служить backbone для обнаружения объектов.

Энкодер обучен на данных, включающих изображения iNaturalist, BIOSCAN, TreeOfLife, IP102 и iWildCam, а также частный датасет Birder. Его можно применять для построения эмбеддингов, сравнения и группировки фотографий организмов, а также для передачи карт признаков в последующие модели обнаружения. В README приведены результаты линейного пробирования на iNaturalist 2021 для базовой модели Bio-DINO; эти показатели не следует напрямую считать оценкой данной дистиллированной версии.

Модель распространяется в формате PyTorch по лицензии Apache-2.0. Карточка отсылает к карточке модели-учителя за подробным описанием области применения и ограничений; конкретные ограничения дистиллированной версии отдельно не перечислены.

Сценарии применения

  • создание эмбеддингов фотографий животных и растений
  • поиск похожих изображений организмов
  • кластеризация природных фотографий по визуальным признакам
  • извлечение карт признаков для последующего обнаружения объектов

Ограничения

Модель ориентирована на природные фотографии и биоразнообразие. Подробности ограничений и оценок дистиллированной версии в её карточке не приведены; опубликованные показатели линейного пробирования относятся к Bio-DINO, а не обязательно к этой версии.

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 vit_reg1_s14_ls_dino-v2-dist-bio

vit_reg1_s14_ls_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 ViT-S/14-style student with 21.7M backbone parameters and 384-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): 21.7
    • 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:

Distillation

The student was distilled on the same dataset used for Bio-DINO.

The distillation run used the Birder train_dino_v2_dist workflow with the Bio-DINO 252px teacher checkpoint:

The launch/configuration file is available here: distillation Slurm file.

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 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.

iNaturalist 2021 accuracy vs CPU latency

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("vit_reg1_s14_ls_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("vit_reg1_s14_ls_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, 384)

Detection Feature Map

from PIL import Image
import birder

net, model_info, transform = birder.load_pretrained_model_and_transform("vit_reg1_s14_ls_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, 384, 18, 18]))]

Citation

@misc{dosovitskiy2021imageworth16x16words,
      title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
      author={Alexey Dosovitskiy and Lucas Beyer and Alexander Kolesnikov and Dirk Weissenborn and Xiaohua Zhai and Thomas Unterthiner and Mostafa Dehghani and Matthias Minderer and Georg Heigold and Sylvain Gelly and Jakob Uszkoreit and Neil Houlsby},
      year={2021},
      eprint={2010.11929},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2010.11929},
}

@misc{darcet2024visiontransformersneedregisters,
      title={Vision Transformers Need Registers},
      author={Timothée Darcet and Maxime Oquab and Julien Mairal and Piotr Bojanowski},
      year={2024},
      eprint={2309.16588},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2309.16588},
}

@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
1004dbd

0 моделей