/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
22 апр 2025

webssl-dino300m-full2b-224

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер Web-SSL DINO на базе ViT извлекает признаки изображений для задач компьютерного зрения.

2 599скачиваний за 30 дней14лайковвеса 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-300M — визуальный энкодер на базе Vision Transformer, опубликованный Facebook и обученный методом DINOv2 без языковой супервизии. Модель содержит около 402,7 млн параметров по метаданным и принимает изображения с разрешением 224 × 224 пикселя.

Энкодер обучен на 2 млрд веб-изображений из данных MetaCLIP и предназначен для извлечения визуальных признаков, которые можно использовать в задачах компьютерного зрения. README сообщает, что масштабированное обучение позволило модели сопоставить или превзойти CLIP в различных визуальных задачах.

Модель распространяется под лицензией CC BY-NC 4.0, которая ограничивает коммерческое использование. Она не обучена связывать изображения с языком, поэтому сама по себе не предназначена для ответов на вопросы об изображениях или генерации текста.

Сценарии применения

  • извлечение признаков для классификации изображений
  • получение визуальных представлений для поиска похожих изображений
  • подготовка признаков изображений для downstream-задач компьютерного зрения

Ограничения

Модель обучена без языковой супервизии и не предназначена для непосредственного понимания или генерации текста. Лицензия CC BY-NC 4.0 ограничивает 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-300M: 2B MetaCLIP data, 224 Resolution

A 300 million 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: 300M
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-DINO on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL DINO 300M is a 300 million 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-dino300m-full2b-224')
model = Dinov2Model.from_pretrained('facebook/webssl-dino300m-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
8529cdb

0 моделей