/ Модель

Характеристики

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

dinov2-with-registers-large

Эмбеддинги изображений3 профессии

Крупный визуальный энкодер DINOv2 с register-токенами для извлечения признаков и эмбеддингов изображений.

54 624скачиваний за 30 дней16лайковвеса 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-large — крупная модель Vision Transformer, обученная методом DINOv2 с дополнительными register-токенами. Репозиторий впервые опубликован авторами DINOv2 with Registers; карточку модели подготовила команда Hugging Face. Модель содержит около 402,7 млн параметров и доступна в формате safetensors под лицензией Apache-2.0.

Это предварительно обученный визуальный энкодер без дообученных классификационных голов. Он извлекает признаки и эмбеддинги изображений, которые можно использовать в последующих задачах, например обучая линейный классификатор поверх представления токена CLS. Добавление register-токенов при обучении уменьшает артефакты в картах внимания и улучшает их интерпретируемость.

Модель предназначена для извлечения признаков из изображений и построения систем компьютерного зрения на их основе. Карточка не приводит сведений о контекстном окне или поддержке естественных языков; язык ввода не применим к визуальному энкодеру. Для классификации и других прикладных задач обычно требуется отдельная обученная голова или последующий компонент.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по сходству
  • подготовка признаков изображений для обучения классификатора
  • построение систем компьютерного зрения на основе предобученного энкодера

Ограничения

В репозитории нет дообученных голов для классификации; для таких задач требуется отдельная голова или последующая модель. Модель предназначена для обработки изображений и сама по себе не выполняет текстовые задачи.

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

inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
last_hidden_states = outputs.last_hidden_state

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-feature-extraction

Можно запустить

Подбираем GPU…

Класс архитектуры
Dinov2WithRegistersModel
Ревизия весов
e4c89a4

0 моделей