/ Модель

Характеристики

Параметры
28,3 млн
Лицензия
Apache 2.0
Архитектура
dinov2_with_registers · dense
Библиотека
transformers
Опубликована
20 дек 2024

dinov2-with-registers-small

Эмбеддинги изображений4 профессии

Предварительно обученный ViT-энкодер DINOv2 с register-токенами для извлечения признаков и эмбеддингов изображений.

32 791скачиваний за 30 дней10лайковвеса 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-small — небольшая модель Vision Transformer (ViT), опубликованная командой DINOv2 и представленная в работе «Vision Transformers Need Registers» Дарсе и соавторов. Это предварительно обученный визуальный энкодер без настроенных под конкретные задачи выходных голов; в репозитории используются веса Safetensors, библиотека Transformers, размер модели — 28,3 млн параметров.

Модель предназначена для извлечения признаков и эмбеддингов изображений, которые можно использовать в последующих задачах компьютерного зрения. Например, поверх представления токена [CLS] можно обучить линейный классификатор для размеченного набора изображений. Добавленные при обучении register-токены помогают уменьшить артефакты на картах внимания и делают их более интерпретируемыми.

Модель принимает изображения и выдаёт их векторные представления. В карточке не заявлена поддержка текстового ввода или других модальностей. Модель распространяется по лицензии Apache-2.0. Для решения прикладных задач вроде классификации потребуется обучить соответствующую голову или выбрать дообученную версию; сама модель таких голов не содержит.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска похожих изображений
  • подготовка признаков для обучения классификатора изображений
  • сравнение визуального сходства изображений по их представлениям
  • получение интерпретируемых карт внимания для анализа изображений

Ограничения

Модель не содержит настроенных под конкретные задачи голов; для классификации и других прикладных сценариев потребуется обучить соответствующий выходной слой или использовать дообученную версию.

Для каких профессий подходит4

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

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
0d9846e

0 моделей