/ Модель

Характеристики

Лицензия
Своя лицензия
Базовая модель
dinov3-vit7b16-pretrain-lvd1689m
Библиотека
mlx-image
Опубликована
12 мар 2026

vit_small_plus_patch16_224.dinov3-mlxim

Эмбеддинги изображенийИзображение → embedding4 профессии

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

149скачиваний за 30 дней0лайковвеса 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 зрительная модель ViT-S+/16 семейства DINOv3, подготовленная для Apple MLX Framework и опубликованная mlx-vision. Модель обучена в режиме самообучения на наборе LVD-1689M, а её веса дистиллированы от учителя DINOv3 ViT-7B. В репозитории размещён порт весов Meta AI в формате safetensors; классификационная голова не обучалась, поэтому модель предназначена для извлечения признаков изображений, а не для непосредственной классификации.

Модель содержит 29 млн параметров, использует патчи размером 16 пикселей, размерность эмбеддинга 384 и блок SwiGLU в FFN. Для изображения 224×224 формируются 201 токен: классовый, четыре регистра и 196 патчей. Поддерживаются изображения большего размера с размерами, кратными 16; неподходящие размеры обрезаются до ближайшего меньшего значения, кратного размеру патча. Полученные признаки можно использовать в системах поиска изображений, классификации, сегментации и других задачах компьютерного зрения.

Лицензия указана как other, без подробных условий в предоставленных данных. В README отмечены сохраняющиеся различия качества по географическим регионам и уровням дохода; дообучение может усилить эти смещения.

Сценарии применения

  • извлечение эмбеддингов изображений
  • поиск похожих изображений
  • подготовка признаков для классификатора изображений
  • извлечение плотных признаков для сегментации
  • сравнение визуального сходства изображений

Ограничения

Модель не имеет обученной классификационной головы, поэтому для классификации требуется отдельная голова или downstream-модель. В README отмечены региональные различия качества и смещение по уровню дохода; для изображений размеры сторон должны быть кратны 16, иначе происходит обрезка.

Для каких профессий подходит4

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_plus_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 (29M parameters), distilled from the DINOv3 ViT-7B teacher model.

The S+ variant upgrades the standard ViT-S with a SwiGLU feed-forward network instead of a standard MLP, giving it stronger representational capacity over ViT-S with only a modest parameter increase.

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_plus_patch16_224.dinov3")
model.eval()

embeds = model(x, is_training=False)

You can also retrieve 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_plus_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.

PropertyValue
Parameters29M
Patch size16
Embedding dim384
Depth12
Heads6
FFNSwiGLU
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-S+/1688.068.854.650.048.80.39975.557.155.2

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
b1db3cd

0 моделей