/ Модель

Характеристики

Параметры
2,8 млрд
Размер весов
8,3 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
15 апр 2025

webssl-dino2b-full2b-224

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер DINOv2 от Meta извлекает признаки изображений для задач компьютерного зрения.

131скачиваний за 30 дней0лайковвеса 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-dino2b-full2b-224 — визуальный энкодер Meta на архитектуре DINOv2: ViT шириной 2688, глубиной 24 слоя и с 21 головой внимания, содержащий 2,8 млрд параметров по метаданным. Модель обучена методом самообучения на 2 млрд веб-изображений из данных MetaCLIP без языковой супервизии; входное разрешение — 224×224 пикселя.

Модель предназначена для извлечения визуальных признаков и построения представлений изображений для задач компьютерного зрения. README сообщает о результатах на стандартных визуальных бенчмарках, а также о возможностях в мультимодальных задачах, включая визуальные вопросы и распознавание текста и диаграмм; основная задача в метаданных — image-feature-extraction. Это исследовательская модель, представленная в 2025 году в работе «Scaling Language-Free Visual Representation Learning». Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Сценарии применения

  • извлечение признаков из изображений для визуального поиска
  • создание визуальных эмбеддингов для кластеризации изображений
  • подготовка представлений изображений для downstream-моделей компьютерного зрения
  • оценка визуального сходства изображений

Ограничения

Входное разрешение составляет 224×224 пикселя; модель не обучалась на языковой супервизии, поэтому её не следует считать самостоятельной языковой или диалоговой моделью. Лицензия CC BY-NC 4.0 запрещает коммерческое использование.

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

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

A 2 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 (2688 width, 24 depth, 21 heads)
  • Parameters: 2B
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-DINO on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL DINO 2B is a 2 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. It performs well on both traditional vision benchmarks and multimodal tasks including visual question answering and OCR & chart understanding.

Usage

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

processor = AutoImageProcessor.from_pretrained('facebook/webssl-dino2b-full2b-224')
# 'eager' and 'sdpa' attn_implementation supported
model = Dinov2Model.from_pretrained('facebook/webssl-dino2b-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
cd5893e

0 моделей