/ Модель

Характеристики

Лицензия
Своя лицензия
Библиотека
timm
Опубликована
17 сен 2025

vit_small_patch16_dinov3.lvd1689m

Эмбеддинги изображенийИзображение → embedding3 профессии

Компактный энкодер изображений DINOv3 ViT-Small для извлечения визуальных признаков и эмбеддингов.

215 тыс.скачиваний за 30 дней7лайковвеса 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 компактный визуальный энкодер timm на архитектуре Vision Transformer ViT-Small с патчами 16×16, представляющий семейство DINOv3. Модель содержит 21,6 млн параметров и была дистиллирована на датасете LVD-1689M из DINOv3 ViT-7B; для обработки изображений указано разрешение 256×256 пикселей.

Энкодер преобразует изображения в признаки и эмбеддинги. Его можно использовать как визуальный backbone для извлечения признаков, классификации изображений и последующей адаптации к задачам компьютерного зрения, включая плотное предсказание и сегментацию. Карточка приводит сравнительные результаты DINOv3 на глобальных и плотных задачах, но не содержит результатов именно для этого чекпойнта по всем перечисленным бенчмаркам.

Весовые файлы доступны в форматах PyTorch и safetensors; для работы модель рассчитана на библиотеку timm. README указывает лицензию DINOv3, а метаданные Hugging Face обозначают лицензию как other, поэтому перед использованием следует проверить условия лицензии DINOv3. Карточка также отмечает численные различия из-за представления RoPE-периодов и настроек QKV bias в реализации timm.

Сценарии применения

  • извлечение признаков из изображений для компьютерного зрения
  • получение эмбеддингов изображений для поиска по визуальному сходству
  • использование ViT-backbone для классификации изображений
  • подготовка визуальных признаков для сегментации и плотного предсказания

Ограничения

Входной размер изображения, указанный в карточке, составляет 256×256 пикселей; README предупреждает о возможных численных отличиях RoPE в реализации timm и в исходной модели. Лицензия обозначена в метаданных как other, поэтому условия использования стоит сверить с лицензией DINOv3.

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_small_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_small_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_small_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, 384, 16, 16])
    #  torch.Size([1, 384, 16, 16])
    #  torch.Size([1, 384, 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_small_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, 384) 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
3bf4720

0 моделей