Модель сегментирует объекты на изображениях по свободно заданным текстовым категориям, используя языковые представления CLIP и патчевые признаки DINOv3.
Подходит для: выделение объектов на фотографии по текстовому запросу · сегментация категорий объектов, отсутствующих в фиксированном наборе классов · создание масок для пользовательских текстовых категорий