/ Модель

Характеристики

Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Опубликована
17 июл 2023

dinov2-giant

Эмбеддинги изображений3 профессии

Самообученный ViT-энкодер DINOv2 на 1,5 млрд параметров для извлечения признаков и представлений изображений.

193 тыс.скачиваний за 30 дней66лайковвеса обновлены6 сен 2023

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.

  • STL10

    main_score

    Результат

    0,9784

    MTEB

    Публичная таблицаревизия совпадает

  • Birdsnap

    main_score

    Результат

    0,8188

    MTEB

    Публичная таблицаревизия совпадает

  • TinyImageNetClustering

    main_score

    Результат

    0,7013

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Multilingual

    main_score

    Результат

    0,1812

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,6838

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,8624

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,0977

    Общий результат 0,3707Общий результат 0,3099Общий результат 0,2887
    MTEB

    Публичная таблицаревизия совпадает

  • ImageNetDog15Clustering

    main_score

    Результат

    0,9263

    MTEB

    Публичная таблицаревизия совпадает

  • RESISC45

    main_score

    Результат

    0,863

    MTEB

    Публичная таблицаревизия совпадает

  • SOPI2IRetrieval

    main_score

    Результат

    0,4989

    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,1365

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,8544

    MTEB

    Публичная таблицаревизия совпадает

  • MNIST

    main_score

    Результат

    0,8582

    MTEB

    Публичная таблицаревизия совпадает

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,2839

    Общий результат 0,2459Общий результат 0,2206Общий результат 0,2179
    MTEB

    Публичная таблицаревизия совпадает

  • ImageNet10Clustering

    main_score

    Результат

    0,9184

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,2591

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordHardI2IRetrieval

    main_score

    Результат

    0,3024

    MTEB

    Публичная таблицаревизия совпадает

  • Food101Classification

    main_score

    Результат

    0,881

    MTEB

    Публичная таблицаревизия совпадает

  • GTSRB

    main_score

    Результат

    0,5514

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,0948

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPets

    main_score

    Результат

    0,9493

    MTEB

    Публичная таблицаревизия совпадает

  • FORBI2IRetrieval

    main_score

    Результат

    0,4349

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,4091

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101

    main_score

    Результат

    0,8919

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCars

    main_score

    Результат

    0,8318

    MTEB

    Публичная таблицаревизия совпадает

  • RParisEasyI2IRetrieval

    main_score

    Результат

    0,1182

    MTEB

    Публичная таблицаревизия совпадает

  • FER2013

    main_score

    Результат

    0,4106

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10

    main_score

    Результат

    0,9853

    MTEB

    Публичная таблицаревизия совпадает

  • Imagenet1k

    main_score

    Результат

    0,787

    MTEB

    Публичная таблицаревизия совпадает

  • SketchyI2IRetrieval

    main_score

    Результат

    0,722

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/dinov2-giant — модель Vision Transformer (ViT), обученная командой DINOv2 методом самообучения на большом наборе изображений. Это энкодер с архитектурой трансформера: изображение разбивается на фиксированные патчи, которые преобразуются в последовательность признаков. Модель содержит около 1,5 млрд параметров и доступна в форматах PyTorch и Safetensors.

Модель предназначена для извлечения признаков изображений и получения представлений для последующих задач компьютерного зрения. Её можно использовать как основу для обучения классификатора на размеченных данных или для других downstream-сценариев; готовых дообученных выходных голов в чекпойнте нет. Принимает изображения и выдаёт их векторные представления. Лицензия — Apache-2.0.

Сценарии применения

  • извлечение признаков из изображений
  • получение векторных представлений изображений для поиска
  • подготовка признаков для классификатора изображений
  • использование визуальных представлений в downstream-задачах компьютерного зрения

Ограничения

Модель не содержит дообученных голов для конкретных задач; для классификации и других прикладных сценариев потребуется отдельный классификатор или дополнительная настройка.

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 (giant-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-giant')
model = AutoModel.from_pretrained('facebook/dinov2-giant')

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
611a9d4

0 моделей