/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
mlx-image
Опубликована
13 мар 2026

vit_base_patch16_224.dinov3-mlxim

Эмбеддинги изображенийИзображение → embedding3 профессии

ViT-B/16 DINOv3 в формате для Apple MLX извлекает визуальные признаки и эмбеддинги из изображений.

173скачиваний за 30 дней0лайковвеса обновлены13 мар 2026

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

Это модель извлечения признаков изображений на базе Vision Transformer ViT-B/16, перенесённая mlx-vision в Apple MLX из весов Meta AI DINOv3. Модель содержит 86 млн параметров, размерность эмбеддингов — 768; она обучена самообучением на наборе LVD-1689M, а вариант ViT-B/16 дистиллирован из учителя DINOv3 ViT-7B. Классификационная голова не обучалась: модель предназначена для извлечения признаков из изображений.

Модель подходит для построения визуальных эмбеддингов и признаков для глобальных и плотных задач компьютерного зрения. При размере 224×224 обрабатывается последовательность из 201 токена: CLS-токен, четыре register-токена и 196 патч-токенов. Поддерживаются изображения большего размера, если их ширина и высота кратны 16; иначе изображение обрезается до ближайших меньших размеров, кратных размеру патча.

В README приведены результаты оценки на задачах классификации и плотного зрения. Отмечены различия качества на географических и доходных группах; дообучение может усилить эти смещения. Репозиторий содержит веса safetensors для mlx-image; лицензия указана как other, поэтому условия использования следует сверять с лицензией исходной модели DINOv3 и условиями распространения портированных весов.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска по визуальному сходству
  • получение признаков для классификации изображений внешней моделью
  • извлечение плотных признаков для задач компьютерного зрения
  • использование визуальных признаков в сегментации и анализе сцен

Ограничения

Классификационная голова не обучалась, поэтому для классификации нужны дополнительные компоненты. В README отмечены географические и социально-экономические различия в качестве; дообучение может усилить смещения.

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

vit_base_patch16_224.dinov3

A Vision Transformer feature extraction model trained on the LVD-1689M web dataset with DINOv3.

The model was trained in a self-supervised fashion. No classification head was trained, only the backbone. This is the ViT-B/16 variant (86M parameters), distilled from the DINOv3 ViT-7B teacher model.

Disclaimer: This is a porting of the Meta AI DINOv3 model weights to the Apple MLX Framework.

How to use

pip install mlx-image

Here is how to use this model for feature extraction:

import mlx.core as mx
from mlxim.model import create_model
from mlxim.io import read_rgb
from mlxim.transform import ImageNetTransform

transform = ImageNetTransform(train=False, img_size=224)
x = transform(read_rgb("image.png"))
x = mx.expand_dims(x, 0)

model = create_model("vit_base_patch16_224.dinov3")
model.eval()

embeds = model(x, is_training=False)

Architecture

This model follows the ViT architecture with a patch size of 16. For a 224×224 image this results in 1 class token + 4 register tokens + 196 patch tokens = 201 tokens.

The model can accept larger images provided the image shapes are multiples of the patch size (16). If this condition is not met, the model will crop to the closest smaller multiple.

PropertyValue
Parameters86M
Patch size16
Embedding dim768
Depth12
Heads12
FFNMLP
Position encodingRoPE
Register tokens4

Available model variants (mlx-image)

Model nameParamsFFNIN-ReaLIN-RObj.Net
vit_small_patch16_224.dinov321MMLP87.060.450.9
vit_small_plus_patch16_224.dinov329MSwiGLU88.068.854.6
vit_base_patch16_224.dinov386MMLP89.376.764.1
vit_large_patch16_224.dinov3300MMLP90.288.174.8

Evaluation results

Results on global and dense tasks (LVD-1689M pretraining)

ModelIN-ReaLIN-RObj.NetOx.-HADE20kNYU↓DAVISNAVISPair
DINOv3 ViT-B/1689.376.764.158.551.80.37377.258.857.2

Refer to the DINOv3 paper for full evaluation details and protocols.

Training data

The model was distilled from DINOv3 ViT-7B, which was pretrained on LVD-1689M — a curated dataset of 1,689 million images from public web sources collected from Instagram.

Bias and limitations

DINOv3 delivers generally consistent performance across income categories on geographical fairness benchmarks, though a performance gap between low-income and high-income buckets remains. A relative difference is also observed between European and African regions. Fine-tuning may amplify these biases depending on the fine-tuning labels used.

Acknowledgements

Original model developed by Meta AI. See the blog post and paper. Weights ported to MLX by etornam45.

Как запустить

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

GPU в ailist

Универсальный рантайм · mlx-image

Нельзя запустить

MLX-модели работают только на Apple Silicon.

Ревизия весов
a4a5a88

0 моделей