/ Модель

Характеристики

Параметры
403 млн
Лицензия
MIT
Архитектура
eomt_dinov3 · dense
Библиотека
transformers
Опубликована
13 янв 2026

eomt-dinov3-ade-semantic-large-512

Сегментация изображенийИзображение → mask3 профессии

Модель EoMT-DINOv3 на основе ViT-L/16 для семантической сегментации изображений 512×512, обученная на ADE20K.

8 950скачиваний за 30 дней1лайквеса обновлены28 янв 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

EoMT-DINOv3 ADE Semantic Large 512 — модель для семантической сегментации изображений, обученная на наборе ADE20K. Разработчик репозитория — tue-mps; архитектура EoMT (Encoder-only Mask Transformer) использует основу DINOv3 ViT-L/16. Модель содержит 402,7 млн параметров и рассчитана на изображения размером 512×512.

Модель присваивает пикселям изображения семантические классы, что подходит для разметки сцен и анализа содержимого изображений. Архитектура EoMT выполняет сегментацию на основе ViT без отдельного специализированного декодера; README отмечает поддержку семантической, экземплярной и паноптической сегментации в семействе моделей при соответствующей постобработке, но эта версия обучена для семантической сегментации. Репозиторий использует формат safetensors и библиотеку Transformers. Лицензия — MIT.

Сценарии применения

  • семантическая разметка сцен на изображениях
  • определение классов объектов по пикселям
  • создание масок классов для анализа изображений
  • сегментация изображений ADE20K-подобных сцен

Ограничения

Модель обучена для семантической сегментации на ADE20K и принимает изображения размером 512×512; качество на других наборах данных или разрешениях может отличаться.

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

EoMT-DINOv3 (Large, 512px) for ADE20K Semantic Segmentation

Overview

This is the large variant of the EoMT-DINOv3 model trained for semantic segmentation on ADE20K at 512×512 resolution.

EoMT (Encoder-only Mask Transformer) is a Vision Transformer (ViT) architecture designed for high-quality and efficient image segmentation. It was introduced in the CVPR 2025 highlight paper: Your ViT is Secretly an Image Segmentation Model

Key Insight: Given sufficient scale and pretraining, a plain ViT along with a few additional parameters can perform segmentation without the need for task-specific decoders or pixel fusion modules. The same model backbone supports semantic, instance, and panoptic segmentation with different post-processing.

The DINOv3 variants leverage rotary position embeddings and the latest pre-training recipes from Meta AI, yielding measurable performance gains across segmentation tasks.

Usage

import requests
import torch
from PIL import Image
from transformers import AutoImageProcessor, EomtDinov3ForUniversalSegmentation

model_id = "nielsr/eomt-dinov3-ade-semantic-large-512"
processor = AutoImageProcessor.from_pretrained(model_id)
model = EomtDinov3ForUniversalSegmentation.from_pretrained(model_id)

device = "cuda" if torch.cuda.is_available() else "cpu"
model = model.to(device)

url = "http://images.cocodataset.org/val2017/000000039769.jpg"
image = Image.open(requests.get(url, stream=True).raw)

inputs = processor(images=image, return_tensors="pt").to(device)

with torch.inference_mode():
    outputs = model(**inputs)

# Semantic Segmentation
result = processor.post_process_semantic_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
print(result.shape)  # Segmentation map with class indices

Model Details

PropertyValue
BackboneDINOv3 ViT-L/16
Input Resolution512×512
TaskSemantic Segmentation
DatasetADE20K

Citation

@inproceedings{kerssies2025eomt,
    author    = {Kerssies, Tommie and Cavagnero, Niccolò and Hermans, Alexander and Norouzi, Narges and Averta, Giuseppe and Leibe, Bastian and Dubbelman, Gijs and de Geus, Daan},
    title     = {Your ViT is Secretly an Image Segmentation Model},
    booktitle = {Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)},
    year      = {2025},
}

Acknowledgements

Как запустить

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

GPU в ailist

Универсальный рантайм · transformers · image-segmentation

Можно запустить

Подбираем GPU…

Класс архитектуры
EomtDinov3ForUniversalSegmentation
Ревизия весов
1d1f172

0 моделей