/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
dinov2 · dense
Опубликована
14 сен 2023

dinov2-small-imagenet1k-1-layer

Классификация изображенийИзображение → label3 профессии

Компактный визуальный энкодер DINOv2 для классификации изображений ImageNet и извлечения признаков для задач компьютерного зрения.

4 066скачиваний 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-small-imagenet1k-1-layer — компактный Vision Transformer семейства DINOv2 от команды Meta. Модель содержит 28,3 млн параметров и использует трансформерный энкодер ViT, предварительно обученный на изображениях без учителя. Репозиторий распространяет веса в форматах PyTorch и Safetensors; лицензия — Apache-2.0.

Модель предназначена для классификации изображений по 1000 меткам ImageNet и извлечения визуальных признаков для последующего обучения классификатора и других задач компьютерного зрения. Веса не включают дообученную классификационную голову, поэтому для прикладной классификации может потребоваться обучить линейный слой или другую подходящую голову поверх представлений энкодера.

DINOv2 учится формировать устойчивые визуальные представления, которые можно применять в сценариях с размеченными изображениями. Карточка описывает работу с ImageNet-1K; сведений о языковой или иной модальности, длине контекста и поддержке других языков нет.

Сценарии применения

  • классификация изображений по меткам ImageNet-1K
  • извлечение признаков изображений для обучения собственного классификатора
  • получение векторных представлений изображений для задач компьютерного зрения

Ограничения

Веса не содержат дообученной классификационной головы, поэтому для практической классификации может понадобиться обучить отдельный классификатор. Карточка описывает назначение на ImageNet-1K и не заявляет специализированную адаптацию к другим наборам данных.

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 (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 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-small-imagenet1k-1-layer')
model = AutoModelForImageClassification.from_pretrained('facebook/dinov2-small-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
03e870f

0 моделей