/ Модель

Характеристики

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

eomt-dinov3-coco-panoptic-large-640

Сегментация изображенийИзображение → mask3 профессии

Крупная модель EoMT-DINOv3 на базе ViT-L/16 для паноптической сегментации изображений размером 640×640.

4 286скачиваний 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

Это крупная модель EoMT-DINOv3 для паноптической сегментации изображений, опубликованная tue-mps и обученная на COCO. Она использует архитектуру Encoder-only Mask Transformer с энкодером DINOv3 ViT-L/16; заявленный размер составляет 402,7 млн параметров. Модель рассчитана на изображения с разрешением 640×640 и выполняет сегментацию объектов и фона в рамках паноптического представления.

Архитектура опирается на ViT и не требует отдельного специализированного декодера или модуля слияния пикселей; для семантической, экземплярной и паноптической сегментации используются разные этапы постобработки. Репозиторий содержит веса в формате safetensors и предназначен для использования через Transformers. Лицензия — MIT.

Модель подходит для анализа сцен и получения паноптических масок на изображениях, особенно в сценариях, близких к датасету COCO. Карточка не приводит метрик качества и подробностей постобработки; данные о поддержке произвольных разрешений или других датасетов не заявлены.

Сценарии применения

  • получение паноптических масок для фотографий сцен
  • сегментация объектов и фона на изображениях COCO
  • анализ состава объектов в изображении
  • эксперименты с семантической и экземплярной сегментацией на основе ViT

Ограничения

Модель обучена на COCO и рассчитана на входное разрешение 640×640; качество на других данных и при иных разрешениях не описано. В карточке не приведены метрики качества или подробности постобработки.

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, 640px) for COCO Panoptic Segmentation

Overview

This is the large variant of the EoMT-DINOv3 model trained for panoptic 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-panoptic-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)

# Panoptic Segmentation
result = processor.post_process_panoptic_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
TaskPanoptic 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
e8c0564

0 моделей