/ Модель

Характеристики

Параметры
6,6 млрд
Размер весов
19,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
15 апр 2025

webssl-dino5b-full2b-224

Эмбеддинги изображенийИзображение → embedding3 профессии

Самообученная визуальная модель DINOv2 на базе ViT извлекает признаки изображений для задач компьютерного зрения.

116скачиваний 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-dino5b-full2b-224 — визуальная модель семейства DINOv2, разработанная Meta и представленная в работе «Scaling Language-Free Visual Representation Learning» (Fan et al., 2025). Это ViT примерно на 5 млрд параметров, обученный методом самообучения на 2 млрд веб-изображений MetaCLIP без языковой супервизии. Модель принимает изображения с разрешением 224×224 пикселя и извлекает визуальные признаки.

Модель предназначена для получения представлений изображений и использования в задачах компьютерного зрения, включая оценку на визуальных бенчмарках. В README также сообщается о результатах на мультимодальных задачах, таких как визуальные вопросы и понимание OCR и диаграмм, однако отдельный интерфейс для этих задач не заявлен. В метаданных указана библиотека Transformers и формат safetensors. Лицензия — CC BY-NC 4.0, допускающая использование с указанием авторства и запрещающая коммерческое применение.

Сценарии применения

  • Извлечение признаков из изображений
  • Получение визуальных представлений для компьютерного зрения
  • Подготовка признаков изображений для последующей классификации
  • Сравнение визуальных представлений на бенчмарках

Ограничения

Модель принимает изображения разрешением 224×224 пикселя; README не заявляет отдельный интерфейс для визуальных вопросов, OCR или понимания диаграмм. Лицензия CC BY-NC 4.0 запрещает 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-5B: 2B MetaCLIP data, 224 Resolution

A 5 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 (3584 width, 32 depth, 28 heads)
  • Parameters: 5B
  • Resolution: 224×224 pixels
  • Training: Self-supervised Web-DINO on 2B image samples from MetaCLIP web data

Model Descriptions

Web-SSL DINO 5B is a 5 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-dino5b-full2b-224')
model = Dinov2Model.from_pretrained('facebook/webssl-dino5b-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
88006b1

0 моделей