Webssl Dino7b Full8b 378

🚀 Web-SSL DINO ViT-7B: 8B MetaCLIP數據，378分辨率

本項目是一個具有70億參數的視覺變換器（ViT）模型，它在無語言監督的情況下，利用DINOv2自監督學習方法在網絡規模的圖像數據上進行訓練。該模型在論文"Scaling Language-Free Visual Representation Learning"（Fan等人，2025年）中被提出。

🚀 快速開始

Web-SSL DINO 7B是一個擁有70億參數的視覺變換器模型，它在沒有語言監督的情況下，對80億張網絡圖像進行自監督學習訓練。該模型表明，在適當擴展規模時，純視覺學習在各種視覺任務中可以達到甚至超越像CLIP這樣的語言監督模型的性能。它在傳統視覺基準測試和多模態任務（包括視覺問答、OCR和圖表理解）中都表現出色。

✨ 主要特性

• 基於自監督學習，無需語言監督，在網絡規模圖像數據上訓練。
• 能夠在多種視覺任務和多模態任務中達到或超越語言監督模型的性能。

📦 安裝指南

文檔未提及安裝步驟，故跳過該章節。

💻 使用示例

基礎用法

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

processor = AutoImageProcessor.from_pretrained('facebook/webssl-dino7b-full8b-378')
model = Dinov2Model.from_pretrained('facebook/webssl-dino7b-full8b-378')

# 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

📚 詳細文檔

模型詳情

模型描述

Web-SSL DINO 7B在無語言監督的情況下，對80億張網絡圖像進行自監督學習訓練。該模型在傳統視覺基準測試和多模態任務（包括視覺問答、OCR和圖表理解）中都表現出色。

📄 許可證

本項目採用CC BY-NC 4.0許可證。

📚 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}
}