/ Модель

Характеристики

Параметры
403 млн
Лицензия
CC BY-NC-SA 4.0
Архитектура
aloe_dinov3_vision · dense
Библиотека
transformers
Опубликована
18 июл 2026

aloe-v2-dinov3-large

Классификация изображенийИзображение → label3 профессии

Производная модели rmaser/aloe-v2-dinov3-base-in1k-lp. Дообученная интерпретируемая модель DINOv3 Base для классификации ImageNet-1k и извлечения признаков изображений.

31скачиваний за 30 дней0лайковвеса обновлены26 июл 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

Карточка модели rmaser/aloe-v2-dinov3-large на Hugging Face совпадает с карточкой rmaser/aloe-v2-dinov3-base-in1k-lp, поэтому описание составлено по ней.

ALOEv2 DINOv3 Base in1k-lp — модель компьютерного зрения, разработанная командой ALOE. Это дообученная на базе DINOv3 Base модель с головой линейного классификатора ImageNet-1k; она также предоставляет визуальные признаки для извлечения и анализа. В модели около 113,2 млн параметров, веса доступны в формате Safetensors, а для загрузки через Transformers требуется включить trust_remote_code=True и использовать код ALOE-архитектуры.

Модель обучали ещё 30 тысяч шагов с дистилляцией по трём слоям и выборкой разрешений 224, 384 и 480 пикселей на каждом шаге. Она предназначена для классификации изображений ImageNet-1k и извлечения признаков, в том числе для плотного сопоставления, оценки глубины и поверхностных нормалей. Архитектура B-cos сохраняет интерпретируемые объяснения; линейная точность на ImageNet-1k для версии Base составляет 83,92%.

Модель принимает изображения и выдаёт классы либо векторные признаки. Лицензия CC BY-NC-SA 4.0 требует указания авторства, распространения производных на тех же условиях и не разрешает коммерческое использование. Она не предназначена для распознавания произвольных классов без дополнительной настройки, а для загрузки используется пользовательский код.

Сценарии применения

  • Классификация изображений по классам ImageNet-1k
  • Извлечение визуальных признаков для поиска похожих изображений
  • Плотное сопоставление точек между изображениями
  • Оценка глубины по изображению с помощью пробной модели
  • Объяснение предсказанного класса через B-cos-атрибуции

Ограничения

Классификационная голова обучена для ImageNet-1k, поэтому её классы ограничены этой таксономией. Для загрузки необходим пользовательский код с trust_remote_code=True; лицензия запрещает коммерческое использование.

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

ALOEv2 (multi-resolution DINOv3)

ALOEv2 is a B-cos-interpretable DINOv3 model obtained by fine-tuning the original ALOE backbones for a further 30k steps. It keeps the original three-layer distillation scheme but adds per-step multi-resolution sampling (224/384/480) and fixes a target-layer bug so the even-thirds distillation layers include the final transformer block.

The original ALOE distilled at a single resolution (224 px), which left features poorly calibrated for the high-resolution inputs that dense-prediction probes — correspondence, depth, surface normals — actually run on, so feature quality degraded at those resolutions. Training on multiple resolutions removes that train/eval mismatch and restores dense-prediction accuracy close to the DINOv3 teacher, while retaining the inherent B-cos explanations and holding ImageNet-1k recognition roughly unchanged.

This card is shared by the ALOEv2 DINOv3 backbones and their ImageNet-1k linear-probe (LP) classifier heads:

KindRepos
Backbonermaser/aloe-v2-dinov3-{small,base,large}
ImageNet-1k LPrmaser/aloe-v2-dinov3-{small,base,large}-in1k-lp

Why ALOEv2 (qualitative difference vs. previous models)

Fig 2a — dense correspondence & surface normals across model sizes. ALOEv2 (orange) tracks the DINOv3 teacher closely on NAVI / ScanNet / SPair / surface-normals, while the original ALOE (grey, dotted) lags far behind.

Fig 2a — size grid

NYUv2 depth probe. δ<1.25 (higher better) and RMSE (lower better) by size:

NYUv2 depth probe

Fig 3 — discriminative quality (ImageNet-1k kNN@20 + Linear Probe).

Fig 3 — kNN and LP

GridPG localization. ALOEv2 inherent B-cos localization (higher is better):

SizeALOEv2 B-cosOriginal ALOE B-cosDINOv3 AttnLRP
Small75.8079.5553.46
Base87.7782.6965.11
Large84.3880.6965.33

GridPG localization

ImageNet-1k (base): kNN@20 81.43, Linear Probe 83.92.

Usage — backbone (feature extraction)

from transformers import AutoImageProcessor, AutoModel

repo_id = "rmaser/aloe-v2-dinov3-base"
processor = AutoImageProcessor.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModel.from_pretrained(repo_id, trust_remote_code=True)
model.eval()

Hidden states are pre-norm

With output_hidden_states=True, hidden_states[i] is the raw output of block i — in particular hidden_states[-1] is not last_hidden_state, which additionally passes through post_layernorm. This is the convention the distillation loss was defined against, and recent Transformers versions report the post-norm tensor in hidden_states[-1] on the official DINOv3 teacher, so the two APIs differ at that one index.

Use hidden_states[i] for anything layer-wise — ALOEv2 supervises blocks n/3, 2n/3 and n, where its cosine similarity to the DINOv3 teacher's corresponding pre-norm features is 0.98–0.99. post_layernorm was not part of the loss, so last_hidden_state is noticeably less aligned (0.78–0.86).

Usage — ImageNet-1k classification and explanations (-in1k-lp only)

from PIL import Image
from transformers import AutoImageProcessor, AutoModelForImageClassification

repo_id = "rmaser/aloe-v2-dinov3-base-in1k-lp"
processor = AutoImageProcessor.from_pretrained(repo_id, trust_remote_code=True)
model = AutoModelForImageClassification.from_pretrained(repo_id, trust_remote_code=True)
model.eval()

image = Image.open("image.jpg").convert("RGB")
pixel_values = processor(images=image, return_tensors="pt").pixel_values

result = model.explain(pixel_values, idx=None)
class_idx = int(result["explained_class_idx"][0])
print(f"Predicted ImageNet-1k class index: {class_idx}")

rgba = (result["explanation"][0] * 255).astype("uint8")
Image.fromarray(rgba).save("explanation.png")

idx=None explains the predicted class. Pass an ImageNet-1k class index to idx to explain a specific class instead. Do not wrap model.explain(...) in torch.inference_mode(): generating the attribution requires input gradients.

Notes

ALOE models use custom B-cos-aware Transformers code, so loading requires trust_remote_code=True. Runtime code: rmaser/aloe-arch.

Links

Citation

@inproceedings{maser2026align,
  title = {Align Once to Explain: Feature Alignment for Scalable B-cosification of Foundational Vision Transformers},
  author = {Maser, Raphael and Gairola, Siddhartha and Rao, Sukrut and Schiele, Bernt},
  booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
  year = {2026},
  note = {Poster}
}

License

This model is released under the Creative Commons Attribution-NonCommercial ShareAlike 4.0 International License. The methods described in this work are patent pending.

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-classification

Нельзя запустить

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

Класс архитектуры
AloeDinoV3VisionModel
Ревизия весов
71b37e3

0 моделей