/ Модель

Характеристики

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

eomt-dinov3-coco-instance-large-640

Сегментация изображенийИзображение → mask4 профессии

Крупная модель EoMT на базе DINOv3 для выделения экземпляров объектов и их масок на изображениях COCO.

1 129скачиваний за 30 дней0лайковвеса 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 COCO Instance Large — модель для сегментации отдельных объектов на изображениях, разработанная на основе архитектуры EoMT и предобученного визуального энкодера DINOv3. Это крупный вариант с 402,7 млн параметров: в основе лежит ViT-L/16 с позиционными RoPE-эмбеддингами; модель обучена на COCO и рассчитана на изображения размером 640×640 пикселей. EoMT выполняет сегментацию с помощью encoder-only Mask Transformer без специализированного декодера или модулей слияния пиксельных признаков.

Модель предназначена для выделения экземпляров объектов и их масок на изображениях. Архитектура EoMT также поддерживает семантическую и паноптическую сегментацию при соответствующей постобработке, однако эта версия обучена для instance segmentation. Для работы требуется входное изображение; результатом служат маски сегментации и связанные с ними метки объектов. Лицензия — MIT. В карточке не приведены метрики качества и дополнительные ограничения применения.

Сценарии применения

  • выделение отдельных объектов на фотографиях
  • построение масок объектов для компьютерного зрения
  • подготовка разметки изображений для обучающих наборов
  • сегментация объектов на изображениях размером 640×640

Ограничения

Модель обучена для сегментации экземпляров на COCO при входном разрешении 640×640; качество на других наборах данных и разрешениях не описано. Метрики качества в карточке отсутствуют.

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

EoMT-DINOv3 (Large, 640px) for COCO Instance Segmentation

Overview

This is the large variant of the EoMT-DINOv3 model trained for instance segmentation on COCO at 640×640 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-coco-instance-large-640"
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)

# Instance Segmentation
result = processor.post_process_instance_segmentation(outputs, target_sizes=[image.size[::-1]])[0]
print(result["segmentation"].shape)  # Segmentation map
print(result["segments_info"])  # List of detected segments with labels

Model Details

PropertyValue
BackboneDINOv3 ViT-L/16
Input Resolution640×640
TaskInstance Segmentation
DatasetCOCO

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
194260c

0 моделей