/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
mlx-image
Опубликована
11 мар 2026

vit_small_patch16_224.dinov3-mlxim

Эмбеддинги изображенийИзображение → embedding3 профессии

Компактная модель DINOv3 на базе ViT-S/16 извлекает визуальные признаки из изображений для задач компьютерного зрения.

193скачиваний за 30 дней1лайквеса обновлены12 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-S/16 с 21 млн параметров, перенесённая mlx-vision в Apple MLX из весов DINOv3 от Meta AI. Она обучена самообучением на наборе веб-изображений LVD-1689M и дистиллирована из DINOv3 ViT-7B; классификационной головы у модели нет.

Модель формирует визуальные признаки для глобальных и плотных задач компьютерного зрения. При входном размере 224×224 она обрабатывает 201 токен: класс-токен, четыре регистровых токена и 196 патч-токенов. Можно подавать изображения большего размера, если размеры кратны 16; иначе модель обрезает их до ближайшего меньшего размера, кратного размеру патча. В архитектуре используются 2D RoPE, SwiGLU и LayerScale.

Модель подходит как визуальный backbone для последующей классификации, сегментации и других задач после дополнительной настройки или обработки признаков. В README отмечены различия в результатах бенчмарков между регионами и группами дохода; дообучение может усилить эти смещения. Лицензия указана как other, поэтому условия использования следует уточнить в лицензии репозитория.

Сценарии применения

  • извлечение признаков изображений для поиска похожих изображений
  • подготовка визуальных эмбеддингов для классификатора
  • использование в качестве backbone для сегментации сцен
  • извлечение плотных признаков для анализа объектов на изображении

Ограничения

Для входных изображений размеры, не кратные 16, обрезаются до ближайшего меньшего размера, кратного размеру патча. В README отмечены различия качества между географическими регионами и группами дохода; лицензия указана как other, поэтому её конкретные условия нужно проверить в репозитории.

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_small_patch16_224.dinov3

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

The model was trained in self-supervised fashion. No classification head was trained, only the backbone. This is the ViT-S/16 variant (21M parameters), distilled from the DINOv3 ViT-7B teacher model.

Disclaimer: This is a porting of the Meta AI DINOv3 model weights to 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_small_patch16_224.dinov3")
model.eval()

embeds = model(x, is_training=False)

You can also use the embeddings from the layer before the head:

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_small_patch16_224.dinov3", num_classes=0)
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.

Key architectural features over DINOv2:

  • RoPE: Rotary Position Embeddings for 2D images
  • SwiGLU: Efficient SwiGLU feed-forward networks
  • LayerScale: For improved training stability in deep transformers
  • Register tokens: 4 additional register/storage tokens

Available model variants (mlx-image)

Model nameParamsEmbed dimHeadsFFN
vit_small_patch16_224.dinov321M3846MLP + RoPE
vit_base_patch16_224.dinov386M76812MLP + RoPE
vit_large_patch16_224.dinov3300M102416MLP + RoPE

Evaluation results

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

ModelIN-ReaLIN-RObj.NetADE20kNYU↓DAVIS
DINOv3 ViT-S/1687.060.450.947.00.40372.7
DINOv3 ViT-B/1689.376.764.151.80.37377.2
DINOv3 ViT-L/1690.288.174.854.90.35279.9

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.

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
1c33f6b

0 моделей