/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
timm
Опубликована
17 сен 2025

vit_huge_plus_patch16_dinov3_qkvb.lvd1689m

Эмбеддинги изображенийИзображение → embedding3 профессии

Крупный визуальный энкодер DINOv3 ViT-Huge для извлечения признаков и эмбеддингов изображений в задачах компьютерного зрения.

916скачиваний за 30 дней0лайковвеса 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 семейства DINOv3 на архитектуре ViT-Huge с патчами 16×16, опубликованный в репозитории timm. Модель дистиллирована на наборе LVD-1689M от DINOv3 ViT-7B и предназначена для извлечения признаков изображений. В ней 840,6 млн параметров; указанный размер изображения — 256×256 пикселей. Вариант qkvb сохраняет включённые смещения QKV, равные нулю, для согласования с поведением исходной модели и Transformers.

Полученные признаки и эмбеддинги можно использовать для классификации, сегментации и других задач компьютерного зрения, в том числе как представления изображений для последующей обработки. Карточка приводит сравнительные результаты на глобальных и плотных визуальных задачах, а также на GEO-Bench. Веса доступны в форматах PyTorch и safetensors; лицензия указана как DINOv3, при этом README обозначает её как other. Модель рассчитана на обработку изображений и сама по себе не является генератором текста или изображений.

Сценарии применения

  • извлечение эмбеддингов изображений для поиска похожих изображений
  • получение признаков для классификации изображений
  • извлечение карт признаков для сегментации
  • использование визуального энкодера как основы для прикладных моделей компьютерного зрения

Ограничения

Модель очень крупная — 840,6 млн параметров, поэтому для её запуска требуются значительные вычислительные ресурсы. Карточка отмечает возможные численные различия из-за представления периодов RoPE в timm по сравнению с исходной реализацией.

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

Model card for vit_huge_plus_patch16_dinov3_qkvb.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_qkvb.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_qkvb.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_qkvb.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
2f1120d

0 моделей