/ Модель

Характеристики

Параметры
403 млн
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Опубликована
14 сен 2023

dinov2-large-imagenet1k-1-layer

Классификация изображенийИзображение → label3 профессии

Большой ViT на основе DINOv2 для классификации изображений по меткам ImageNet-1k и извлечения визуальных признаков.

469скачиваний за 30 дней1лайквеса обновлены15 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-large-imagenet1k-1-layer — модель Vision Transformer большой конфигурации, основанная на методе DINOv2 от команды Meta. Она обучена на изображениях без учителя и предназначена для классификации изображений по 1000 меткам ImageNet-1k. В архитектуре ViT изображение разбивается на фиксированные патчи, которые обрабатывает трансформерный энкодер; модель содержит около 402,7 млн параметров и распространяется в форматах PyTorch и Safetensors.

Модель также может служить энкодером для извлечения визуальных признаков и последующего обучения классификатора на размеченных данных. Карточка предупреждает, что в репозитории нет дообученных голов классификации; для прикладных задач может понадобиться отдельная голова или дообученная версия. Лицензия — Apache-2.0.

Сценарии применения

  • Классификация изображений по 1000 классам ImageNet-1k
  • Извлечение визуальных признаков из изображений
  • Использование энкодера как основы для обучения классификатора на размеченных изображениях

Ограничения

Карточка указывает, что модель не включает дообученные головы; для классификации и других прикладных задач может потребоваться отдельная классификационная голова или подходящая дообученная версия.

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 (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 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-large-imagenet1k-1-layer')
model = AutoModelForImageClassification.from_pretrained('facebook/dinov2-large-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
79cf9d0

0 моделей