/ Модель

Характеристики

Параметры
113 млн
Лицензия
Apache 2.0
Архитектура
dinov2_with_registers · dense
Библиотека
transformers
Опубликована
21 дек 2024

dinov2-with-registers-base-imagenet1k-1-layer

Классификация изображенийИзображение → label3 профессии

Энкодер изображений DINOv2 с токенами-регистрами для классификации ImageNet и извлечения признаков.

121скачиваний за 30 дней2лайкавеса обновлены23 дек 2024

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-with-registers-base-imagenet1k-1-layer — модель Vision Transformer базового размера с токенами-регистрами, основанная на DINOv2 и опубликованная командой Facebook. Это энкодер изображений с 113,2 млн параметров; карточка указывает задачу классификации изображений и библиотеку Transformers. Предварительное обучение формирует представления изображений без меток, а токены-регистры уменьшают артефакты в картах внимания и улучшают их интерпретируемость.

Модель можно использовать для классификации изображений по 1000 классам ImageNet, извлечения признаковых представлений и построения классификаторов для размеченных наборов данных. Веса доступны в формате safetensors. Лицензия — Apache-2.0.

В репозитории нет дообученных классификационных голов: для пользовательских классов потребуется обучить классификатор поверх энкодера. Карточка не приводит сведений о поддерживаемых естественных языках или длине контекста; модель работает с изображениями.

Сценарии применения

  • классификация изображений по классам ImageNet
  • извлечение признаков изображений для последующего обучения
  • построение классификатора для размеченного набора изображений

Ограничения

Модель не содержит дообученной классификационной головы для пользовательских классов, поэтому для таких задач потребуется обучить отдельный классификатор. Указана классификация по 1000 классам ImageNet.

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 (base-sized model) trained using DINOv2, with registers

Vision Transformer (ViT) model introduced in the paper Vision Transformers Need Registers by Darcet et al. and first released in this repository.

Disclaimer: The team releasing DINOv2 with registers 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) originally introduced to do supervised image classification on ImageNet.

Next, people figured out ways to make ViT work really well on self-supervised image feature extraction (i.e. learning meaningful features, also called embeddings) on images without requiring any labels. Some example papers here include DINOv2 and MAE.

The authors of DINOv2 noticed that ViTs have artifacts in attention maps. It’s due to the model using some image patches as “registers”. The authors propose a fix: just add some new tokens (called "register" tokens), which you only use during pre-training (and throw away afterwards). This results in:

  • no artifacts
  • interpretable attention maps
  • and improved performances.

Visualization of attention maps of various models trained with vs. without registers. Taken from the original paper.

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 to classify an image into one of the 1000 possible ImageNet classes. 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, AutoModelForImageClassification
import torch
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-with-registers-base-imagenet1k-1-layer')
model = AutoModelForImageClassification.from_pretrained('facebook/dinov2-with-registers-base-imagenet1k-1-layer')

inputs = processor(images=image, return_tensors="pt")

with torch.no_grad():
  outputs = model(**inputs)
  logits = outputs.logits

class_idx = outputs.logits.argmax(-1).item()
print("Predicted class:", model.config.id2label[class_idx])

BibTeX entry and citation info

@misc{darcet2024visiontransformersneedregisters,
      title={Vision Transformers Need Registers}, 
      author={Timothée Darcet and Maxime Oquab and Julien Mairal and Piotr Bojanowski},
      year={2024},
      eprint={2309.16588},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2309.16588}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers · image-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
Dinov2WithRegistersForImageClassification
Ревизия весов
c5c80e6

0 моделей