/ 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-light2b-224

Эмбеддинги изображенийИзображение → embedding

Крупная модель DINOv2 извлекает визуальные признаки из изображений и обучена без языковой супервизии на веб-данных.

118скачиваний 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-light2b-224 — визуальная модель семейства DINOv2, разработанная для обучения представлений изображений без языковой супервизии. Это Vision Transformer с архитектурой Dinov2Model и примерно 2,8 млрд параметров по метаданным; в README указаны 2 млрд параметров, ширина 2688, глубина 24 и 21 голова. Модель обучена методом self-supervised learning на слегка отфильтрованных веб-изображениях из поднабора MetaCLIP; входное разрешение составляет 224×224 пикселя.

Модель предназначена для извлечения признаков изображений и использования визуальных представлений в задачах компьютерного зрения. Обучение без языковой супервизии и отбор данных, содержащих текст, по описанию авторов улучшают возможности распознавания текста и понимания диаграмм при сохранении сильных результатов в других визуальных задачах. Это не генеративная модель и не модель для обработки текста. Лицензия CC-BY-NC-4.0 ограничивает коммерческое использование.

Сценарии применения

  • извлечение признаков изображений для компьютерного зрения
  • получение визуальных представлений для downstream-задач
  • поиск изображений по визуальным признакам
  • анализ изображений с текстом и диаграммами

Ограничения

Модель принимает изображения с разрешением 224×224 пикселя; в README нет количественных оценок качества или подробностей об ограничениях на отдельных задачах. Лицензия CC-BY-NC-4.0 не допускает коммерческого использования без дополнительных прав.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

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

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

Model Descriptions

Web-SSL DINO 2B is a 2 billion parameter Vision Transformer model trained using self-supervised learning on lightly filtered web images without language supervision. The "light2b" designation indicates training on a subset of images containing any textual content, retaining approximately 50.3% of the original MetaCLIP dataset. This filtering improves OCR & Chart understanding capabilities while maintaining strong performance across all 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-light2b-224')
model = Dinov2Model.from_pretrained('facebook/webssl-dino2b-light2b-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
633a663

0 моделей