/ Модель

Характеристики

Параметры
3,9 млрд
Размер весов
11,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
15 апр 2025

webssl-dino3b-heavy2b-224

Эмбеддинги изображенийИзображение → embedding9 профессий

Визуальный энкодер DINOv2 на 3,9 млрд параметров извлекает признаки из изображений, в том числе документов, таблиц и диаграмм.

788скачиваний за 30 дней2лайкавеса 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-3B Heavy Filtered 2B — визуальная модель семейства DINOv2, разработанная авторами работы «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT с 3,9 млрд параметров по метаданным, обученный методом самообучения на тщательно отфильтрованных веб-изображениях без языковой супервизии. Модель принимает изображения размером 224×224 пикселя и предназначена для извлечения визуальных признаков.

В обучающую выборку Heavy2B преимущественно отбирались изображения с диаграммами, таблицами и документами с читаемым текстом; README сообщает, что такие изображения составляют 1,3% исходного набора MetaCLIP. Фокус на этих материалах улучшает возможности OCR и понимания диаграмм, при этом модель рассчитана и на общие задачи компьютерного зрения. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства на некоммерческих условиях.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • поиск похожих изображений по визуальным признакам
  • анализ диаграмм и графиков
  • извлечение визуальных признаков из таблиц и документов
  • подготовка изображений для последующей OCR-обработки

Ограничения

Модель обучалась без языковой супервизии и выдаёт визуальные признаки, а не готовые текстовые ответы или OCR-транскрипции. Использование по лицензии CC BY-NC 4.0 ограничено некоммерческими условиями.

Для каких профессий подходит9

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Web-SSL DINO ViT-3B: Heavy Filtered 2B MetaCLIP data, 224 Resolution

A 3 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 (3072 width, 26 depth, 24 heads)
  • Parameters: 3B
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-DINO on heavily filtered MetaCLIP data

Model Descriptions

Web-SSL DINO 3B is a 3 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 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-dino3b-heavy2b-224')
model = Dinov2Model.from_pretrained('facebook/webssl-dino3b-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
dd39c29

0 моделей