/ Модель

Характеристики

Параметры
8,6 млрд
Размер весов
25,8 ГБ
Лицензия
CC BY-NC 4.0
Архитектура
dinov2 · dense
Библиотека
transformers
Опубликована
15 апр 2025

webssl-dino7b-full8b-378

Эмбеддинги изображенийИзображение → embedding

Модель DINOv2 на 8,6 млрд параметров извлекает визуальные признаки из изображений для задач компьютерного зрения.

199скачиваний 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-dino7b-full8b-378 — визуальная модель семейства DINOv2 на базе Vision Transformer, разработанная для извлечения признаков из изображений. По карточке, модель обучена методом самообучения на 8 млрд веб-изображений из данных MetaCLIP без языковой супервизии; архитектура имеет ширину 4096, 32 слоя и 32 головы, а целевое разрешение изображений составляет 378×378 пикселей. Размер репозитория по метаданным — 8,6 млрд параметров.

Модель предназначена для получения визуальных представлений и их использования в задачах компьютерного зрения. В README также отмечены результаты на визуальных вопросах, OCR и понимании диаграмм, однако метаданные классифицируют её основную задачу как image-feature-extraction. Модель принимает изображения и выдаёт признаки-векторы; языковой ввод и генерация текста не заявлены. Лицензия CC BY-NC 4.0 разрешает использование с указанием авторства, но ограничивает коммерческое применение.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • построение визуальных представлений веб-изображений
  • подготовка признаков для последующей классификации изображений
  • использование визуальных признаков в задачах OCR и понимания диаграмм
  • создание представлений изображений для систем визуальных вопросов и ответов

Ограничения

Обучение проводилось без языковой супервизии, поэтому модель не следует считать языковой или генеративной VLM; возможности VQA, OCR и анализа диаграмм упомянуты в README, но для них не приведены отдельные гарантии или метрики. Лицензия CC BY-NC 4.0 ограничивает коммерческое использование.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Web-SSL DINO ViT-7B: 8B MetaCLIP data, 378 Resolution

A 7 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 (4096 width, 32 depth, 32 heads)
  • Parameters: 7B
  • Resolution: 378×378 pixels
  • Training: Self-supervised Web-DINO on 8B image samples from MetaCLIP web data

Model Descriptions

Web-SSL DINO 7B is a 7 billion parameter Vision Transformer model trained using self-supervised learning on 8 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-dino7b-full8b-378')
model = Dinov2Model.from_pretrained('facebook/webssl-dino7b-full8b-378')

# 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
53c8c5b

0 моделей