/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
vit · dense
Опубликована
2 мар 2022

dino-vitb8

Эмбеддинги изображений3 профессии

Предобученный без учителя Vision Transformer извлекает признаки изображений для последующего обучения классификаторов и других задач компьютерного зрения.

2 441скачиваний за 30 дней20лайковвеса обновлены29 фев 2024

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

facebook/dino-vitb8 — базовый Vision Transformer, обученный методом DINO командой авторов статьи «Emerging Properties in Self-Supervised Vision Transformers». Модель предобучена без учителя на ImageNet-1k и предназначена для извлечения признаков из изображений и переноса этих представлений на прикладные задачи компьютерного зрения.

Архитектура — ViT base с патчами 8×8; модель содержит 113,2 млн параметров и принимает изображения размером 224×224 пикселя. Она возвращает представления изображения и патчей, пригодные, например, для обучения классификатора поверх выходов энкодера. Готовых дообученных голов для классификации в репозитории нет.

Модель подходит для построения признаков и обучения классификаторов на размеченных наборах изображений. Она работает с изображениями, а не с текстовыми запросами, и сама по себе не является готовым классификатором. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение признаков для набора изображений
  • обучение классификатора поверх признаков ViT
  • получение представлений изображений и отдельных патчей
  • перенос обучения на пользовательский набор изображений

Ограничения

В репозитории нет дообученной классификационной головы, поэтому для классификации нужно обучить дополнительный слой или использовать отдельную дообученную версию. Предобучение проводилось на ImageNet-1k с разрешением 224×224 пикселя.

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

Vision Transformer (base-sized model, patch size 8) trained using DINO

Vision Transformer (ViT) model trained using the DINO method. It was introduced in the paper Emerging Properties in Self-Supervised Vision Transformers by Mathilde Caron, Hugo Touvron, Ishan Misra, Hervé Jégou, Julien Mairal, Piotr Bojanowski, Armand Joulin and first released in this repository.

Disclaimer: The team releasing DINO did not write a model card for this model so this model card has been written by the Hugging Face team.

Model description

The Vision Transformer (ViT) is a transformer encoder model (BERT-like) pretrained on a large collection of images in a self-supervised fashion, namely ImageNet-1k, at a resolution of 224x224 pixels.

Images are presented to the model as a sequence of fixed-size patches (resolution 8x8), which are linearly embedded. One also adds a [CLS] token to the beginning of a sequence to use it for classification tasks. One also adds absolute position embeddings before feeding the sequence to the layers of the Transformer encoder.

Note that this model does not include any fine-tuned heads.

By pre-training the model, it learns an inner representation of images that can then be used to extract features useful for downstream tasks: if you have a dataset of labeled images for instance, you can train a standard classifier by placing a linear layer on top of the pre-trained encoder. One typically places a linear layer on top of the [CLS] token, as the last hidden state of this token can be seen as a representation of an entire image.

Intended uses & limitations

You can use the raw model for image classification. See the model hub to look for fine-tuned versions on a task that interests you.

How to use

Here is how to use this model:

from transformers import ViTImageProcessor, ViTModel
from PIL import Image
import requests

url = 'http://images.cocodataset.org/val2017/000000039769.jpg'
image = Image.open(requests.get(url, stream=True).raw)

processor = ViTImageProcessor.from_pretrained('facebook/dino-vitb8')
model = ViTModel.from_pretrained('facebook/dino-vitb8')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

BibTeX entry and citation info

@article{DBLP:journals/corr/abs-2104-14294,
  author    = {Mathilde Caron and
               Hugo Touvron and
               Ishan Misra and
               Herv{\'{e}} J{\'{e}}gou and
               Julien Mairal and
               Piotr Bojanowski and
               Armand Joulin},
  title     = {Emerging Properties in Self-Supervised Vision Transformers},
  journal   = {CoRR},
  volume    = {abs/2104.14294},
  year      = {2021},
  url       = {https://arxiv.org/abs/2104.14294},
  archivePrefix = {arXiv},
  eprint    = {2104.14294},
  timestamp = {Tue, 04 May 2021 15:12:43 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2104-14294.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · image-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
ViTModel
Ревизия весов
f1ca762

0 моделей