Характеристики

Параметры: 28,3 млн
Архитектура: vit · dense
Библиотека: transformers
Опубликована: 2 авг 2026

Ссылки

DINOv1-ViT-S-16-food101

Эмбеддинги изображенийИзображение → embedding3 профессии

Визуальный энкодер DINOv1 ViT-S/16 извлекает признаки изображений еды для поиска похожих блюд и классификации на Food-101.

9скачиваний за 30 дней0лайковвеса обновлены2 авг 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

mnjm/DINOv1-ViT-S-16-food101 — визуальный энкодер на архитектуре Vision Transformer ViT-S/16, обученный с нуля разработчиком модели на наборе Food-101 с использованием DINOv1 и собственного обучающего репозитория. Модель предназначена для извлечения признаков изображений еды: её можно применять для поиска похожих блюд, группировки изображений и классификации на основе эмбеддингов.

В README приведены результаты взвешенной k-NN оценки на валидационной выборке Food-101: точность Top-1 составляет 67,59% при k=20, Top-5 — 86,17%. Модель содержит 28,3 млн параметров и доступна в формате Safetensors через Transformers. На вход подаётся изображение, на выходе — последовательность признаков, из которой README извлекает вектор CLS. Лицензия в предоставленных данных не указана.

Сценарии применения

извлечение эмбеддингов изображений блюд
поиск похожих фотографий еды
классификация изображений по категориям Food-101
группировка фотографий блюд по визуальному сходству

Ограничения

Модель обучалась на Food-101, поэтому её признаки и показатели оценки могут хуже подходить для изображений за пределами этого набора категорий. В приведённой оценке точность Top-1 достигает 67,59% при k=20; лицензия не указана в предоставленных данных.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

DINOv1-ViT-S-16-food101

DINOv1 ViT-S/16 model trained from scratch on the Food-101 dataset using a custom training repo.

Evaluation

Weighted k-NN evaluation on Food-101 validation features:

k	Top-1 accuracy	Top-5 accuracy
5	64.09%	79.93%
10	66.38%	83.47%
20	67.59%	86.17%
100	67.81%	88.72%

Run

from transformers import AutoImageProcessor, ViTModel

processor = AutoImageProcessor.from_pretrained("mnjm/DINOv1-ViT-S-16-food101")
model = ViTModel.from_pretrained("mnjm/DINOv1-ViT-S-16-food101")
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)
image_features = outputs.last_hidden_state[:, 0]

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: ViTModel
Ревизия весов: 31cea46