/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Опубликована
17 июл 2023

dinov2-base

Эмбеддинги изображений3 профессии

Предобученный визуальный трансформер DINOv2 для извлечения признаков изображений и последующего использования в задачах компьютерного зрения.

3 млнскачиваний за 30 дней208лайковвеса обновлены17 янв 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки30

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,1259

    Общий результат 0,2373Общий результат 0,2332Общий результат 0,1946
    MTEB

    Публичная таблицаревизия совпадает

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,1136

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,4185

    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,1375

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,1651

    Общий результат 0,354Общий результат 0,289Общий результат 0,2839
    MTEB

    Публичная таблицаревизия совпадает

  • TinyImageNetClustering

    main_score

    Результат

    0,7431

    MTEB

    Публичная таблицаревизия совпадает

  • ImageNetDog15Clustering

    main_score

    Результат

    0,8567

    MTEB

    Публичная таблицаревизия совпадает

  • STS12VisualSTS

    main_score

    Результат

    0,2413

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,6422

    MTEB

    Публичная таблицаревизия совпадает

  • PatchCamelyon

    main_score

    Результат

    0,7273

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,8594

    MTEB

    Публичная таблицаревизия совпадает

  • GLDv2I2IRetrieval

    main_score

    Результат

    0,348

    MTEB

    Публичная таблицаревизия совпадает

  • EuroSAT

    main_score

    Результат

    0,8166

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,8574

    MTEB

    Публичная таблицаревизия совпадает

  • RParisHardI2IRetrieval

    main_score

    Результат

    0,0515

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,1265

    MTEB

    Публичная таблицаревизия совпадает

  • ImageNet10Clustering

    main_score

    Результат

    0,9393

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Multilingual

    main_score

    Результат

    0,2009

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraft

    main_score

    Результат

    0,6274

    MTEB

    Публичная таблицаревизия совпадает

  • STS13VisualSTS

    main_score

    Результат

    0,0582

    MTEB

    Публичная таблицаревизия совпадает

  • FORBI2IRetrieval

    main_score

    Результат

    0,2945

    MTEB

    Публичная таблицаревизия совпадает

  • NIGHTSI2IRetrieval

    main_score

    Результат

    0,2594

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,2486

    MTEB

    Публичная таблицаревизия совпадает

  • SUN397

    main_score

    Результат

    0,7103

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100Clustering

    main_score

    Результат

    0,772

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10Clustering

    main_score

    Результат

    0,8262

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordFlowersClassification

    main_score

    Результат

    0,9957

    MTEB

    Публичная таблицаревизия совпадает

  • Country211

    main_score

    Результат

    0,1073

    MTEB

    Публичная таблицаревизия совпадает

  • Caltech101

    main_score

    Результат

    0,8945

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Eng

    main_score

    Результат

    0,4302

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/dinov2-base — базовая по размеру модель Vision Transformer, обученная командой Meta с помощью метода DINOv2 на большом наборе изображений без разметки. Модель содержит около 113,2 млн параметров и предназначена для извлечения визуальных признаков; специализированных дообученных голов для классификации или других задач в ней нет.

Изображение разбивается на последовательность патчей, которые обрабатывает трансформерный энкодер. Полученные представления можно использовать как входные признаки для обучения классификатора и других downstream-систем компьютерного зрения. Модель принимает изображения и выдаёт их векторные представления. Репозиторий содержит веса PyTorch и safetensors и распространяется по лицензии Apache-2.0.

Сценарии применения

  • извлечение признаков из изображений для классификатора
  • подготовка визуальных эмбеддингов для поиска похожих изображений
  • получение представлений изображений для downstream-задач компьютерного зрения

Ограничения

Модель не содержит дообученных голов для классификации и других специализированных задач; для них требуется обучить отдельный классификатор или использовать подходящую дообученную версию.

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) trained using DINOv2

Vision Transformer (ViT) model trained using the DINOv2 method. It was introduced in the paper DINOv2: Learning Robust Visual Features without Supervision by Oquab et al. and first released in this repository.

Disclaimer: The team releasing DINOv2 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.

Images are presented to the model as a sequence of fixed-size patches, 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 feature extraction. 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 AutoImageProcessor, AutoModel
from PIL import Image
import requests

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

processor = AutoImageProcessor.from_pretrained('facebook/dinov2-base')
model = AutoModel.from_pretrained('facebook/dinov2-base')

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

BibTeX entry and citation info

misc{oquab2023dinov2,
      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={2023},
      eprint={2304.07193},
      archivePrefix={arXiv},
      primaryClass={cs.CV}
}

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
Dinov2Model
Ревизия весов
f9e44c8

0 моделей