/ 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-heavy2b-224

Эмбеддинги изображенийИзображение → embedding

Визуальный трансформер Web-SSL DINO 2B извлекает признаки изображений и особенно ориентирован на документы, диаграммы и таблицы.

121скачиваний 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

Web-SSL DINO ViT-2B Heavy Filtered 2B MetaCLIP — визуальная модель Facebook на архитектуре Vision Transformer с 2,8 млрд параметров. Она обучена методом самообучения DINOv2 на тщательно отфильтрованных веб-изображениях без языковой супервизии; вариант heavy2b уделяет особое внимание изображениям с диаграммами, таблицами и читаемым текстом. Разрешение входных изображений — 224×224 пикселя.

Модель предназначена для извлечения визуальных признаков, в том числе для распознавания содержимого документов и диаграмм, а также для других задач компьютерного зрения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но не коммерческое использование.

Сценарии применения

  • извлечение признаков изображений для последующей классификации
  • поиск изображений по визуальному сходству
  • анализ диаграмм и графиков
  • поиск и анализ таблиц на изображениях
  • извлечение признаков документов с читаемым текстом

Ограничения

Входное разрешение составляет 224×224 пикселя; при уменьшении изображения мелкий текст может терять читаемость. Лицензия запрещает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

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

A 2 billion parameter Vision Transformer (ViT) trained with DINOv2 self-supervised learning on heavily filtered 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 heavily filtered MetaCLIP data

Model Descriptions

Web-SSL DINO 2B is a 2 billion parameter Vision Transformer model trained using self-supervised learning on heavily filtered web images without language supervision. The "heavy2b" designation indicates training on a subset of images explicitly containing charts, tables, and documents with readable text, representing only 1.3% of the original MetaCLIP dataset. This focused filtering significantly improves OCR & Chart understanding capabilities while maintaining strong performance on other vision tasks. 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-dino2b-heavy2b-224')
model = Dinov2Model.from_pretrained('facebook/webssl-dino2b-heavy2b-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
9f46eb0

0 моделей