/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
timm
Опубликована
17 сен 2025

vit_huge_plus_patch16_dinov3.lvd1689m

Эмбеддинги изображенийИзображение → embedding4 профессии

Визуальный энкодер DINOv3 ViT Huge для извлечения признаков и эмбеддингов изображений в системах компьютерного зрения.

27 299скачиваний за 30 дней6лайковвеса обновлены24 сен 2025

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 визуальный энкодер timm на архитектуре Vision Transformer Huge с патчами 16×16 из семейства DINOv3. Модель содержит около 840,5 млн параметров, принимает изображения размером 256×256 и извлекает визуальные признаки и эмбеддинги для последующих задач компьютерного зрения.

Модель дистиллирована на наборе LVD-1689M из DINOv3 ViT-7B. Её можно использовать для извлечения карт признаков и эмбеддингов, а также как основу для классификации изображений, сегментации и анализа сцен. В README приведены результаты оценок моделей DINOv3, однако отдельные показатели именно этой конфигурации не приведены.

README отмечает особенности реализации RoPE и отключённые смещения QKV; возможны небольшие численные расхождения с оригинальной реализацией. В метаданных указана лицензия `other`, а README называет лицензию DINOv3, поэтому перед использованием следует проверить её условия.

Сценарии применения

  • Извлечение эмбеддингов изображений для поиска по визуальному сходству
  • Получение карт признаков для сегментации изображений
  • Подготовка визуальных признаков для классификатора изображений
  • Использование как энкодера изображений в пайплайне компьютерного зрения

Ограничения

Модель содержит около 840,5 млн параметров и требует значительных вычислительных ресурсов. Реализация timm может давать небольшие численные расхождения с оригиналом из-за представления RoPE; условия лицензии DINOv3 следует проверить перед использованием.

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

Model card for vit_huge_plus_patch16_dinov3.lvd1689m

A DINOv3 ViT model image feature encoder. Distilled on LVD-1689M from the DINOv3 ViT-7B model.

Model Notes

  • The original model weights ended up with all QKV projection biases being zeroes. For timm, have disabled the QKV bias (qkv_bias=False) for the models and not loaded the zero weights. For some model sizes there are variants with qkvb in the name that have the bias enabled (qkv_bias=True), but zero, to match the behaviour of transformers and original models.
  • The original models keep RoPE periods as a persistent bfloat16 buffer. timm generates float32 periods at init. This results in some numerical differences, however the timm approach should be less problematic running on devices without bfloat16 support, and appears to work as well if not slightly better for fine-tuning. model.rope.periods = model.rope.periods.to(torch.bfloat16).to(torch.float32) will truncate the periods to bfloat16 and result in matching outputs.

Model Details

Model Usage

Image Classification

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('vit_huge_plus_patch16_dinov3.lvd1689m', pretrained=True)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

Feature Map Extraction

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_huge_plus_patch16_dinov3.lvd1689m',
    pretrained=True,
    features_only=True,
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # unsqueeze single image into batch of 1

for o in output:
    # print shape of each feature map in output
    # e.g.:
    #  torch.Size([1, 1280, 16, 16])
    #  torch.Size([1, 1280, 16, 16])
    #  torch.Size([1, 1280, 16, 16])

    print(o.shape)

Image Embeddings

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_huge_plus_patch16_dinov3.lvd1689m',
    pretrained=True,
    num_classes=0,  # remove classifier nn.Linear
)
model = model.eval()

# get model specific transforms (normalization, resize)
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # output is (batch_size, num_features) shaped tensor

# or equivalently (without needing to set num_classes=0)

output = model.forward_features(transforms(img).unsqueeze(0))
# output is unpooled, a (1, 261, 1280) shaped tensor

output = model.forward_head(output, pre_logits=True)
# output is a (1, num_features) shaped tensor

Model Comparison

See the associated paper for details on the evaluation protocols

Results for ViT backbones pretrained (or distilled) on web (LVD-1689M)

ModelIN-ReaLIN-RObj.NetOx.-HADE20kNYU↓DAVISNAVISPair
Global TasksDense Tasks
DINOv3 ViT-S/1687.060.450.949.547.00.40372.756.350.4
DINOv3 ViT-S+/1688.068.854.650.048.80.39975.557.155.2
DINOv3 ViT-B/1689.376.764.158.551.80.37377.258.857.2
DINOv3 ViT-L/1690.288.174.863.154.90.35279.962.361.3
DINOv3 ViT-H+/1690.390.078.664.554.80.35279.363.356.3
DINOv3 ViT-7B/1690.491.191.172.855.90.30979.764.458.7

Results for ConvNeXt backbones distilled on web (LVD-1689M)

ModelIN-ReaL @256pxIN-ReaL @512pxIN-R @256pxIN-R @512pxObj.Net @256pxObj.Net @512pxADE20kNYU↓
Global TasksDense Tasks
DINOv3 ConvNeXt Tiny86.687.773.774.152.658.742.70.448
DINOv3 ConvNeXt Small87.988.773.774.152.658.744.80.432
DINOv3 ConvNeXt Base88.589.277.278.256.261.346.30.420
DINOv3 ConvNeXt Large88.989.481.382.459.365.247.80.403

Results for ViT backbones pretrained (or distilled) on satellite (SAT-493M)

(GEO-Bench) Classification

Modelm-BEnetm-brick-kilnm-eurosatm-forestnetm-pv4germ-so2satmean
DINOv3 ViT-L/1673.096.594.160.696.057.479.6
DINOv3 ViT-7B/1674.097.294.862.396.162.181.1

(GEO-Bench) Segmentation

Modelm-cashewm-chesapeakem-NeonTreem-nz-cattlem-pv4ger-segm-SA-cropmean
DINOv3 ViT-L/1694.275.661.883.795.236.874.5
DINOv3 ViT-7B/1694.176.662.683.495.537.675.0

Citation

@article{simeoni2025dinov3,
  title={DINOv3},
  author={Sim{'e}oni, Oriane and Vo, Huy V and Seitzer, Maximilian and Baldassarre, Federico and Oquab, Maxime and Jose, Cijo and Khalidov, Vasil and Szafraniec, Marc and Yi, Seungeun and Ramamonjisoa, Micha{"e}l and others},
  journal={arXiv preprint arXiv:2508.10104},
  year={2025}
}
}
@article{dosovitskiy2020vit,
  title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
  author={Dosovitskiy, Alexey and Beyer, Lucas and Kolesnikov, Alexander and Weissenborn, Dirk and Zhai, Xiaohua and Unterthiner, Thomas and  Dehghani, Mostafa and Minderer, Matthias and Heigold, Georg and Gelly, Sylvain and Uszkoreit, Jakob and Houlsby, Neil},
  journal={ICLR},
  year={2021}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  publisher = {GitHub},
  journal = {GitHub repository},
  doi = {10.5281/zenodo.4414861},
  howpublished = {\url{https://github.com/huggingface/pytorch-image-models}}
}

Как запустить

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

GPU в ailist

Универсальный рантайм · timm · image-feature-extraction

Можно запустить

Подбираем GPU…

Ревизия весов
dd0addc

0 моделей