/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Опубликована
31 июл 2023

dinov2-small

Эмбеддинги изображений5 профессий

Небольшой самообученный Vision Transformer DINOv2 извлекает признаки изображений для последующего обучения классификаторов и других визуальных задач.

2,7 млнскачиваний за 30 дней79лайковвеса обновлены6 сен 2023

Бенчмарки

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

Публичные оценки34

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

  • STSBenchmarkMultilingualVisualSTS

    main_score

    Результат

    0,1034

    Общий результат 0,1969Общий результат 0,1967Общий результат 0,1797
    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100

    main_score

    Результат

    0,7702

    MTEB

    Публичная таблицаревизия совпадает

  • VOC2007

    main_score

    Результат

    0,8694

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS-b-Eng

    main_score

    Результат

    0,0537

    MTEB

    Публичная таблицаревизия совпадает

  • SketchyI2IRetrieval

    main_score

    Результат

    0,4057

    MTEB

    Публичная таблицаревизия совпадает

  • ImageNetDog15Clustering

    main_score

    Результат

    0,8727

    MTEB

    Публичная таблицаревизия совпадает

  • Food101Classification

    main_score

    Результат

    0,7768

    MTEB

    Публичная таблицаревизия совпадает

  • RESISC45

    main_score

    Результат

    0,7686

    MTEB

    Публичная таблицаревизия совпадает

  • StanfordCars

    main_score

    Результат

    0,6989

    MTEB

    Публичная таблицаревизия совпадает

  • FGVCAircraft

    main_score

    Результат

    0,5867

    MTEB

    Публичная таблицаревизия совпадает

  • UCF101

    main_score

    Результат

    0,8053

    MTEB

    Публичная таблицаревизия совпадает

  • Birdsnap

    main_score

    Результат

    0,7137

    MTEB

    Публичная таблицаревизия совпадает

  • STS17MultilingualVisualSTS

    main_score

    Результат

    0,1252

    Общий результат 0,3277Общий результат 0,3111Общий результат 0,2547
    MTEB

    Публичная таблицаревизия совпадает

  • MNIST

    main_score

    Результат

    0,8658

    MTEB

    Публичная таблицаревизия совпадает

  • METI2IRetrieval

    main_score

    Результат

    0,4239

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR100Clustering

    main_score

    Результат

    0,7262

    MTEB

    Публичная таблицаревизия совпадает

  • FER2013

    main_score

    Результат

    0,3727

    MTEB

    Публичная таблицаревизия совпадает

  • NIGHTSI2IRetrieval

    main_score

    Результат

    0,2599

    MTEB

    Публичная таблицаревизия совпадает

  • Country211

    main_score

    Результат

    0,081

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordFlowersClassification

    main_score

    Результат

    0,9951

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Eng

    main_score

    Результат

    0,431

    MTEB

    Публичная таблицаревизия совпадает

  • STS14VisualSTS

    main_score

    Результат

    −0,019

    MTEB

    Публичная таблицаревизия совпадает

  • Caltech101

    main_score

    Результат

    0,8858

    MTEB

    Публичная таблицаревизия совпадает

  • STL10

    main_score

    Результат

    0,9736

    MTEB

    Публичная таблицаревизия совпадает

  • STS12VisualSTS

    main_score

    Результат

    0,1339

    MTEB

    Публичная таблицаревизия совпадает

  • SUN397

    main_score

    Результат

    0,6665

    MTEB

    Публичная таблицаревизия совпадает

  • CIFAR10

    main_score

    Результат

    0,9295

    MTEB

    Публичная таблицаревизия совпадает

  • CUB200I2IRetrieval

    main_score

    Результат

    0,8354

    MTEB

    Публичная таблицаревизия совпадает

  • ImageNet10Clustering

    main_score

    Результат

    0,9123

    MTEB

    Публичная таблицаревизия совпадает

  • VisualSTS17Multilingual

    main_score

    Результат

    0,2401

    MTEB

    Публичная таблицаревизия совпадает

  • RP2kI2IRetrieval

    main_score

    Результат

    0,653

    MTEB

    Публичная таблицаревизия совпадает

  • STS15VisualSTS

    main_score

    Результат

    0,1202

    MTEB

    Публичная таблицаревизия совпадает

  • ROxfordEasyI2IRetrieval

    main_score

    Результат

    0,3978

    MTEB

    Публичная таблицаревизия совпадает

  • OxfordPets

    main_score

    Результат

    0,9201

    MTEB

    Публичная таблицаревизия совпадает

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

facebook/dinov2-small — небольшая модель Vision Transformer, обученная командой DINOv2 методом самообучения на большом наборе изображений. Это энкодер изображений с архитектурой ViT и примерно 28,3 млн параметров; специализированных дообученных классификационных голов в модели нет.

Модель предназначена для извлечения визуальных признаков и получения представления изображения для последующих задач. Эти признаки можно использовать, например, как вход для отдельного классификатора, обученного на размеченных изображениях. Модель принимает изображения и выдаёт векторные представления; для работы предусмотрены PyTorch и safetensors.

Модель опубликована под лицензией Apache-2.0. Она не решает конкретную задачу классификации без дополнительной обученной головы, а качество на прикладных задачах зависит от последующего классификатора и данных.

Сценарии применения

  • извлечение признаков из изображений
  • получение векторных представлений изображений для поиска по сходству
  • подготовка признаков для обучения классификатора изображений
  • использование визуальных эмбеддингов в последующих компьютерно-зрительных задачах

Ограничения

Модель не содержит дообученной головы для классификации или другой конкретной задачи; для прикладного решения потребуется отдельная модель или обучаемый классификатор. Качество зависит от выбранной последующей задачи и данных.

Для каких профессий подходит5

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Vision Transformer (small-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-small')
model = AutoModel.from_pretrained('facebook/dinov2-small')

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
ed25f3a

0 моделей