/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
pytorch
Опубликована
17 сен 2026

dinov3-SURGE

Эмбеддинги изображенийИзображение → embedding

Адаптированный к хирургическим и эндоскопическим изображениям энкодер DINOv3 ViT-B/16 для извлечения визуальных признаков.

0скачиваний за 30 дней0лайковвеса обновлены17 сен 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-SURGE — визуальный энкодер на базе DINOv3 ViT-B/16, адаптированный к хирургическим и эндоскопическим изображениям. Он предназначен для извлечения признаков и использовался как дополнительный энкодер в системе видеоответов на вопросы для задачи PROCEDURE соревнования ORena SAVE FOCUS на MICCAI 2026.

Модель содержит около 85,7 млн параметров. При входном разрешении 448×448 энкодер выдаёт 784 вектора патчей размерности 768. В репозитории размещён чекпойнт PyTorch; для загрузки нужны код архитектуры DINOv3 и обработка ключей чекпойнта. Доступ к весам ограничен, действует лицензионное соглашение DINOv3.

Сценарии применения

  • извлечение признаков из кадров эндоскопии
  • получение патчевых визуальных представлений хирургических изображений
  • использование визуального энкодера в системе ответов на вопросы по хирургическому видео

Ограничения

Обучающий хирургический корпус и рецепт адаптации не документированы; нормализация изображений, применявшаяся при обучении, не установлена. Для использования требуется архитектурный код DINOv3 и корректная загрузка ветви teacher с очисткой префиксов ключей.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DINOv3-SURGE (Base)

A DINOv3 ViT-B/16 vision encoder adapted to the surgical / endoscopic domain, used as an additively-fused second vision encoder in a Qwen3.5-9B video-QA model for the ORena SAVE FOCUS challenge (MICCAI 2026), PROCEDURE track.

Access is gated: the weights are DINOv3-derived, and the DINOv3 License Agreement travels with them.

Files

FileSizeSHA256
SURGE_base.pth527,391,215 Bfdeac7df8e2eacb935853198ff397f6e4254bd11523718ba9d20f66c21afe0ac

Always check the hash after downloading — the consuming code does, and refuses to train against a checkpoint that does not match.

Architecture

Verified against the checkpoint itself, not assumed:

Architecturevit_base (DINOv3 DinoVisionTransformer)
Parameters85,669,632
Depth / embed dim / heads12 / 768 / 12
Patch size16
FFNmlp, ratio 4.0
Storage (register) tokens4
Norm layerlayernorm, layerscale init 1e-5
RoPEbase 100.0, normalize_coords="separate"
State-dict branchteacher

At 448x448 input, forward_features returns patch tokens of shape (1, 784, 768).

The checkpoint is a plain training checkpoint, so the backbone weights live under a teacher key and carry module. / backbone. / feature_model. prefixes. A loader must select the teacher branch (falling back to model, then the object itself) and strip those prefixes.

Usage

The architecture code is not in transformers; it is upstream DINOv3 (facebookresearch/dinov3, commit 6876159a11b4df116f30f667f8c9888617df0751). PROVENANCE.txt in this repository records exactly which files were used and the two respects in which the supplied vision_transformer.py differs from upstream.

from huggingface_hub import hf_hub_download

path = hf_hub_download("ethanshili/dinov3-SURGE", "SURGE_base.pth")

Instantiate DinoVisionTransformer directly with the config above rather than through the vit_base() factory, which hardcodes its own embed_dim/depth/num_heads/ ffn_ratio.

A complete, working loader — checkpoint key resolution, LoRA adaptation, and fusion into a Qwen vision stream — is in the focus_v15.fusion module of the accompanying pipeline repository.

Provenance and what is not documented here

PROVENANCE.txt covers the vendored DINOv3 architecture code. The SURGE adaptation itself — the surgical corpus it was trained on and its training recipe — is not documented in this repository; these weights were received as a finished checkpoint. One consequence matters in practice: the normalization SURGE was trained under is not recoverable from the checkpoint, so downstream code that feeds it ImageNet-normalized frames is relying on an assumption, not a verified fact.

License

DINOv3 License Agreement — see DINOV3_LICENSE.md. Section 1(b) permits redistribution only under the terms of that agreement and requires a copy of it to accompany any copy of the materials. Keep DINOV3_LICENSE.md and PROVENANCE.txt with these weights.

Как запустить

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

GPU в ailist

Универсальный рантайм · pytorch · image-feature-extraction

Нельзя запустить

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

Ревизия весов
9992681

0 моделей