Webssl Dino1b Full2b 224

🚀 Web-SSL DINO ViT-1B: 2B MetaCLIP數據，224分辨率

本項目是一個具有10億參數的視覺變換器（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。該模型出自論文"Scaling Language-Free Visual Representation Learning"（Fan等人，2025年）。

✨ 主要特性

• 採用無語言監督的自監督學習方式，在大規模網絡圖像數據上進行訓練。
• 純視覺學習在適當擴展規模後，在各種視覺任務中可媲美甚至超越像CLIP這樣的語言監督模型的性能。

📦 安裝指南

文檔未提及安裝步驟，跳過此章節。

💻 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-dino1b-full2b-224')
# 'eager' and 'sdpa' attn_implementation supported
model = Dinov2Model.from_pretrained('facebook/webssl-dino1b-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

高級用法

文檔未提及高級用法代碼示例，跳過此部分。

📚 詳細文檔

模型詳情

模型描述

Web - SSL DINO 1B是一個具有10億參數的視覺變換器模型，它在無語言監督的情況下，使用自監督學習方法在20億張網絡圖像上進行訓練。該模型表明，純視覺學習在適當擴展規模後，在各種視覺任務中可以達到或超過像CLIP這樣的語言監督模型的性能。

📄 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}
}