/ Модель

Характеристики

Лицензия
Apache 2.0
Архитектура
talk2dino · dense
Библиотека
Pytorch
Опубликована
15 окт 2025

Talk2DINOv3-ViTB

Сегментация изображенийИзображение → mask3 профессии

Talk2DINOv3-ViTB сегментирует изображения по свободно заданным текстовым категориям, сочетая пространственные признаки DINOv2 с языковыми представлениями CLIP.

930скачиваний за 30 дней0лайковвеса обновлены19 окт 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

Talk2DINOv3-ViTB — модель для сегментации изображений по свободно заданным текстовым категориям. Подход Talk2DINO разработан Luca Barsellotti, Lorenzo Bianchi и соавторами и представлен на ICCV 2025. Модель объединяет пространственные признаки DINOv2 с языковыми представлениями CLIP: обученная функция отображает текстовые эмбеддинги CLIP в пространство признаков патчей DINOv2, не дообучая сами базовые модели.

Модель предназначена для open-vocabulary сегментации: она строит маски объектов по пользовательским текстовым описаниям без ограничения заранее заданным набором классов. Такой подход помогает точнее локализовать объекты и получать более естественные и менее шумные сегментации, а также отделять передний план от фона. README описывает исследовательские результаты на бенчмарках и пример инференса с пользовательскими категориями.

Репозиторий содержит веса в формате safetensors и использует PyTorch. Лицензия — Apache-2.0. README описывает метод через DINOv2 и CLIP, хотя название репозитория указывает на DINOv3; размер модели, контекст и поддерживаемые языки в предоставленных данных не приведены.

Сценарии применения

  • создание масок объектов по текстовым описаниям
  • сегментация изображений по категориям, не заданным при обучении
  • выделение переднего плана на изображении
  • проверка локализации объектов по пользовательским текстовым запросам

Ограничения

Качество зависит от точности текстовых категорий и пространственного разрешения признаков; метод рассчитан на изображения и не описан как решение для видео. В README метод связывается с DINOv2, хотя имя репозитория содержит DINOv3, поэтому это различие стоит учитывать при выборе базовой модели.

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

Project Page | Paper | Code

About

Open-Vocabulary Segmentation (OVS) aims at segmenting images from free-form textual concepts without predefined training classes. While existing vision-language models such as CLIP can generate segmentation masks by leveraging coarse spatial information from Vision Transformers, they face challenges in spatial localization due to their global alignment of image and text features. Conversely, self-supervised visual models like DINO excel in fine-grained visual encoding but lack integration with language. To bridge this gap, we present Talk2DINO, a novel hybrid approach that combines the spatial accuracy of DINOv2 with the language understanding of CLIP. Our approach aligns the textual embeddings of CLIP to the patch-level features of DINOv2 through a learned mapping function without the need to fine-tune the underlying backbones. At training time, we exploit the attention maps of DINOv2 to selectively align local visual patches with textual embeddings. We show that the powerful semantic and localization abilities of Talk2DINO can enhance the segmentation process, resulting in more natural and less noisy segmentations, and that our approach can also effectively distinguish foreground objects from the background. Experimental results demonstrate that Talk2DINO achieves state-of-the-art performance across several unsupervised OVS benchmarks.

Sample Usage

Mapping CLIP Text Embeddings to DINOv3 space with Talk2DINO

We can use Talk2DINO to map CLIP text embeddings into the DINOv2 patch embedding space.

from transformers import AutoModel
from torchvision.io import read_image

# Device setup
device = 'cuda' if torch.cuda.is_available() else 'cpu'

# Model Loading
model = AutoModel.from_pretrained("lorebianchi98/Talk2DINOv3-ViTB").to(device).eval()

# Embedding generation
with torch.no_grad():
    text_embed = model.encode_text("a pikachu")
    image_embed = model.encode_image(image)

# normalize the features to perform cosine similarity
text_embed = text_embed / text_embed.norm(dim=-1, keepdim=True)
image_embed = image_embed / image_embed.norm(dim=-1, keepdim=True)

similarity = (image_embed @ text_embed.T).squeeze(0, -1).cpu().numpy()

Demo

In demo.ipynb we provide a simple example on how to use Talk2DINO for inference on a given image with custom textual categories. Result:

Installation

To use the Hugging Face interface for inference:

# Clone the repository
git clone https://huggingface.co/lorebianchi98/Talk2DINO-ViTB
cd Talk2DINO-ViTB

# Install dependencies
pip install -r requirements.txt

# Install PyTorch and torchvision with the appropriate CUDA version
pip install torch torchvision --index-url https://download.pytorch.org/whl/cu126

For the full MMCV interface to perform evaluation on segmentation benchmarks, please refer to the original Talk2DINO repository.

ImageGround TruthFreeDAProxyCLIPCLIP-DINOiserOurs (Talk2DINO)
ImageGround TruthFreeDAProxyCLIPCLIP-DINOiserOurs
ImageGround TruthFreeDAProxyCLIPCLIP-DINOiserOurs
ImageGround TruthFreeDAProxyCLIPCLIP-DINOiserOurs
ImageGround TruthFreeDAProxyCLIPCLIP-DINOiserOurs

Reference

If you found this code useful, please cite the following paper:

@misc{barsellotti2024talkingdinobridgingselfsupervised,
      title={Talking to DINO: Bridging Self-Supervised Vision Backbones with Language for Open-Vocabulary Segmentation}, 
      author={Luca Barsellotti and Lorenzo Bianchi and Nicola Messina and Fabio Carrara and Marcella Cornia and Lorenzo Baraldi and Fabrizio Falchi and Rita Cucchiara},
      year={2024},
      eprint={2411.19331},
      archivePrefix={arXiv},
      primaryClass={cs.CV},
      url={https://arxiv.org/abs/2411.19331}, 
}

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · Pytorch · image-segmentation

Нельзя запустить

Модели нужен код из репозитория; автор пока не в списке доверенных организаций.

Класс архитектуры
Talk2DINO
Ревизия весов
b288e5b

0 моделей