Webssl Dino3b Full2b 224

🚀 Web-SSL DINO ViT-3B: 2B MetaCLIP data, 224 Resolution

このモデルは、言語の監督なしでウェブ規模の画像データを用いてDINOv2の自己教師付き学習で学習された、30億パラメータのVision Transformer (ViT) です。論文 "Scaling Language-Free Visual Representation Learning" (Fan et al., 2025) で紹介されています。

🚀 クイックスタート

Web-SSL DINO 3Bは、言語の監督なしで20億枚のウェブ画像を用いた自己教師付き学習によって学習された、30億パラメータのVision Transformerモデルです。このモデルは、適切にスケールされた純粋な視覚学習が、CLIPのような言語監督モデルの性能と同等またはそれ以上の性能を、様々なビジョンタスクで発揮できることを示しています。従来のビジョンベンチマークや、視覚的質問応答、OCRやチャート理解などのマルチモーダルタスクの両方で良好な性能を発揮します。

✨ 主な機能

• 言語の監督なしでウェブ規模の画像データを用いた自己教師付き学習
• 様々なビジョンタスクでCLIPのような言語監督モデルと同等またはそれ以上の性能を発揮
• 従来のビジョンベンチマークやマルチモーダルタスクで良好な性能を発揮

📚 ドキュメント

モデルの詳細

モデルの説明

Web-SSL DINO 3Bは、言語の監督なしで20億枚のウェブ画像を用いた自己教師付き学習によって学習された、30億パラメータのVision Transformerモデルです。このモデルは、適切にスケールされた純粋な視覚学習が、CLIPのような言語監督モデルの性能と同等またはそれ以上の性能を、様々なビジョンタスクで発揮できることを示しています。従来のビジョンベンチマークや、視覚的質問応答、OCRやチャート理解などのマルチモーダルタスクの両方で良好な性能を発揮します。

💻 使用例

基本的な使用法

from transformers import AutoImageProcessor, Dinov2Model
import torch
from PIL import Image

processor = AutoImageProcessor.from_pretrained('facebook/webssl-dino3b-full2b-224')
# 'eager' and 'sdpa' attn_implementation supported
model = Dinov2Model.from_pretrained('facebook/webssl-dino3b-full2b-224')

# Process an image
image = Image.open('path/to/image.jpg')
inputs = processor(images=image, return_tensors="pt")
with torch.no_grad():
    outputs = model(**inputs)

cls_features = outputs.last_hidden_state[:, 0]  # CLS token features
patch_features = outputs.last_hidden_state[:, 1:] # patch-wise token features

📄 ライセンス

このモデルは cc-by-nc-4.0 ライセンスの下で提供されています。

引用

@article{fan2025scaling,
  title={Scaling Language-Free Visual Representation Learning}, 
  author={David Fan and Shengbang Tong and Jiachen Zhu and Koustuv Sinha and Zhuang Liu and Xinlei Chen and Michael Rabbat and Nicolas Ballas and Yann LeCun and Amir Bar and Saining Xie},
  year={2025},
  eprint={2504.01017},
  archivePrefix={arXiv},
  primaryClass={cs.CV}
}