/ Модель

Характеристики

Параметры
1,5 млрд
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
15 апр 2025

webssl-dino1b-full2b-224

Эмбеддинги изображенийИзображение → embedding3 профессии

Крупная самообученная модель DINOv2 извлекает признаки из изображений для последующих задач компьютерного зрения.

1 019скачиваний за 30 дней4лайкавеса обновлены24 апр 2025

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/webssl-dino1b-full2b-224 — визуальная модель семейства DINOv2, разработанная Meta и представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan и соавторы, 2025). Это Vision Transformer примерно с 1,5 млрд параметров по метаданным; в карточке указана конфигурация ViT шириной 1536, глубиной 40 слоёв и с 24 головами внимания. Модель обучена самообучением на 2 млрд веб-изображений MetaCLIP без языковой супервизии и рассчитана на входные изображения размером 224×224 пикселя.

Основное назначение — извлечение визуальных признаков для последующего использования в задачах компьютерного зрения. Самообучение без текстовых описаний позволяет получать визуальные представления, применимые в разных задачах анализа изображений; README сообщает о результатах на уровне или выше языково-супервизированных моделей вроде CLIP, но не приводит конкретных метрик. Для использования весов требуется учитывать лицензию CC BY-NC 4.0, которая ограничивает коммерческое применение.

Сценарии применения

  • извлечение признаков для поиска похожих изображений
  • получение визуальных представлений для классификации изображений
  • подготовка признаков для кластеризации изображений
  • использование визуальных эмбеддингов в прикладных задачах компьютерного зрения

Ограничения

Модель принимает изображения с разрешением 224×224 пикселя; языковая супервизия в обучении не использовалась. Лицензия CC BY-NC 4.0 не допускает коммерческое использование.

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

Web-SSL DINO ViT-1B: 2B MetaCLIP data, 224 Resolution

A 1 billion parameter Vision Transformer (ViT) trained with DINOv2 self-supervised learning on web-scale image data without language supervision. Introduced in "Scaling Language-Free Visual Representation Learning" (Fan et al., 2025).

Model Details

  • Architecture: ViT (1536 width, 40 depth, 24 heads)
  • Parameters: 1B
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-DINO on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL DINO 1B is a 1 billion parameter Vision Transformer model trained using self-supervised learning on 2 billion web images without language supervision. This model demonstrates that pure visual learning, when scaled appropriately, can match or exceed the performance of language-supervised models like CLIP across various vision tasks.

Usage

from transformers import AutoImageProcessor, Dinov2Model
import torch
from PIL import Image

processor = AutoImageProcessor.from_pretrained('facebook/webssl-dino1b-full2b-224')
# 'eager' and 'sdpa' attn_implementation supported
model = Dinov2Model.from_pretrained('facebook/webssl-dino1b-full2b-224')

# Process an image
image = Image.open('path/to/image.jpg')
inputs = processor(images=image, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)

cls_features = outputs.last_hidden_state[:, 0]  # CLS token features
patch_features = outputs.last_hidden_state[:, 1:] # patch-wise token features

Citation

@article{fan2025scaling,
  title={Scaling Language-Free Visual Representation Learning}, 
  author={David Fan and Shengbang Tong and Jiachen Zhu and Koustuv Sinha and Zhuang Liu and Xinlei Chen and Michael Rabbat and Nicolas Ballas and Yann LeCun and Amir Bar and Saining Xie},
  year={2025},
  eprint={2504.01017},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}

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
Dinov2Model
Ревизия весов
d3bf033

0 моделей