/ Модель

Характеристики

Параметры
1,5 млрд
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Опубликована
14 сен 2023

dinov2-giant-imagenet1k-1-layer

Классификация изображенийИзображение → label3 профессии

Крупный предварительно обученный энкодер DINOv2 извлекает признаки изображений и служит основой для классификации по ImageNet-1k и других задач компьютерного зрения.

10 110скачиваний за 30 дней5лайковвеса обновлены16 сен 2023

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/dinov2-giant-imagenet1k-1-layer — модель Vision Transformer семейства DINOv2, опубликованная командой DINOv2 и представленная на Hugging Face. Это крупный трансформерный энкодер примерно на 1,5 млрд параметров, предварительно обученный без учителя на изображениях. Изображение разбивается на фиксированные патчи, которые модель обрабатывает как последовательность; отдельной дообученной классификационной головы в чекпойнте нет.

Модель предназначена для извлечения визуальных признаков и классификации изображений по меткам ImageNet-1k. Представления энкодера можно использовать в последующих задачах, например обучить линейный классификатор поверх CLS-токена или применить признаки как основу для других задач компьютерного зрения. В репозитории указаны веса PyTorch и safetensors. Лицензия — Apache-2.0.

Крупный размер требует значительных вычислительных ресурсов. Поскольку классификационная голова отсутствует, готовая классификация изображений требует отдельного классификатора или дообучения; модель ориентирована на визуальные данные и не обрабатывает текстовые входы.

Сценарии применения

  • извлечение признаков из изображений
  • классификация изображений по меткам ImageNet-1k с отдельной головой
  • обучение линейного классификатора поверх визуальных признаков
  • подготовка эмбеддингов изображений для последующих задач компьютерного зрения

Ограничения

В чекпойнте нет дообученной классификационной головы, поэтому для готовой классификации нужен отдельный классификатор или дообучение. Модель содержит около 1,5 млрд параметров и требует значительных вычислительных ресурсов.

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 model for classifying an image among one of the 1000 ImageNet labels. See the model hub to look for other fine-tuned versions on a task that interests you.

How to use

Here is how to use this model:

from transformers import AutoImageProcessor, AutoModelForImageClassification
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-imagenet1k-1-layer')
model = AutoModelForImageClassification.from_pretrained('facebook/dinov2-giant-imagenet1k-1-layer')

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
logits = outputs.logits
predicted_class_idx = logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[predicted_class_idx])

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-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Dinov2ForImageClassification
Ревизия весов
f65e635

0 моделей