/ Модель

Характеристики

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

dinov2-large

Эмбеддинги изображений4 профессии

Большой самообученный ViT-энкодер DINOv2 извлекает визуальные признаки для последующего обучения классификаторов и других задач компьютерного зрения.

1 млнскачиваний за 30 дней123лайкавеса обновлены6 сен 2023

Бенчмарки

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

Публичные оценки32

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

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,1745

    Общий результат 0,2775Общий результат 0,2236Общий результат 0,2047
    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,287

    Общий результат 0,285Общий результат 0,2128Общий результат 0,1848
    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,4249

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordFlowersClassification

    main_score

    Результат

    0,9961

    MTEB

    Публичная таблицаревизия совпадает

  • FORBI2IRetrieval

    main_score

    Результат

    0,3842

    MTEB

    Публичная таблицаревизия совпадает

  • RP2kI2IRetrieval

    main_score

    Результат

    0,6429

    MTEB

    Публичная таблицаревизия совпадает

  • TinyImageNetClustering

    main_score

    Результат

    0,7722

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCars

    main_score

    Результат

    0,81

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordMediumI2IRetrieval

    main_score

    Результат

    0,2664

    MTEB

    Публичная таблицаревизия совпадает

  • GLDv2I2IRetrieval

    main_score

    Результат

    0,3957

    MTEB

    Публичная таблицаревизия совпадает

  • STS12VisualSTS

    main_score

    Результат

    0,1745

    MTEB

    Публичная таблицаревизия совпадает

  • STS14VisualSTS

    main_score

    Результат

    −0,0239

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,859

    MTEB

    Публичная таблицаревизия совпадает

  • DTD

    main_score

    Результат

    0,7645

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCarsI2IRetrieval

    main_score

    Результат

    0,6783

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,8551

    MTEB

    Публичная таблицаревизия совпадает

  • EuroSAT

    main_score

    Результат

    0,8023

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPets

    main_score

    Результат

    0,949

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100

    main_score

    Результат

    0,8883

    MTEB

    Публичная таблицаревизия совпадает

  • Imagenet1k

    main_score

    Результат

    0,7862

    MTEB

    Публичная таблицаревизия совпадает

  • FER2013

    main_score

    Результат

    0,414

    MTEB

    Публичная таблицаревизия совпадает

  • Birdsnap

    main_score

    Результат

    0,8105

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101

    main_score

    Результат

    0,8808

    MTEB

    Публичная таблицаревизия совпадает

  • SOPI2IRetrieval

    main_score

    Результат

    0,4926

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraft

    main_score

    Результат

    0,6514

    MTEB

    Публичная таблицаревизия совпадает

  • STS16VisualSTS

    main_score

    Результат

    0,1935

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10Clustering

    main_score

    Результат

    0,799

    MTEB

    Публичная таблицаревизия совпадает

  • STL10

    main_score

    Результат

    0,9793

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,0631

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10

    main_score

    Результат

    0,9795

    MTEB

    Публичная таблицаревизия совпадает

  • Caltech101

    main_score

    Результат

    0,8958

    MTEB

    Публичная таблицаревизия совпадает

  • Country211

    main_score

    Результат

    0,1273

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/dinov2-large — большая модель Vision Transformer (ViT), обученная командой DINOv2 методом самообучения на коллекции изображений. Модель содержит около 402,7 млн параметров и представляет собой трансформерный энкодер: изображение разбивается на фиксированные патчи, которые преобразуются в последовательность токенов для обработки. Веса доступны в форматах PyTorch и safetensors по лицензии Apache-2.0.

Модель предназначена для извлечения признаков из изображений и построения на их основе решений для последующих задач. Полученные представления можно использовать, например, для обучения классификатора на размеченном наборе данных. В самой модели нет дообученных голов для конкретных задач, поэтому для классификации или других прикладных сценариев потребуется отдельная голова или дополнительное обучение.

Сценарии применения

  • извлечение признаков из изображений
  • подготовка эмбеддингов изображений для поиска по визуальному сходству
  • обучение классификатора поверх представлений изображений
  • использование визуальных признаков в downstream-задачах компьютерного зрения

Ограничения

Модель не включает дообученные головы для конкретных задач; для прикладной классификации и других downstream-задач требуется дополнительная голова или обучение.

Для каких профессий подходит4

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

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
47b73ee

0 моделей