Logo
Project Icon

dinov2

通过无监督学习构建强大视觉特征的先进方法

DINOv2视觉特征自监督学习Vision Transformer计算机视觉Github开源项目

DINOv2是一种先进的无监督视觉特征学习方法,在1.42亿张未标注图像上预训练后生成高性能、鲁棒的通用视觉特征。这些特征可直接应用于多种计算机视觉任务,仅需简单线性分类器即可实现优异效果。DINOv2提供多种预训练模型,包括带寄存器的变体,在ImageNet等基准测试中表现卓越。

访问官网访问官网GithubGithub文档文档论文论文
介绍相关项目

:new: [2023-10-26] 增加了带寄存器的DINOv2主干网络,遵循视觉Transformer需要寄存器的方法。

DINOv2:无需监督学习鲁棒的视觉特征

Meta AI 研究院, FAIR

Maxime Oquab, Timothée Darcet, Théo Moutakanni, Huy V. Vo, Marc Szafraniec, Vasil Khalidov, Patrick Labatut, Armand Joulin, Piotr Bojanowski

[论文 #1] [论文 #2] [博客] [演示] [引用]

DINOv2的PyTorch实现和预训练模型。详情请参见论文:《DINOv2:无需监督学习鲁棒的视觉特征》和《视觉Transformer需要寄存器》。

DINOv2模型生成高性能的视觉特征,可以直接与简单如线性层的分类器一起用于各种计算机视觉任务;这些视觉特征具有鲁棒性,可以在不同领域表现良好,无需任何微调。这些模型在包含1.42亿张图像的数据集上进行了预训练,没有使用任何标签或注释。

https://github.com/facebookresearch/dinov2/assets/60359573/f168823e-7922-415a-b429-578badf5c356

所有帧的patch特征的前三个主成分的可视化,映射到RGB值。

预训练模型

模型参数量是否带
寄存器		ImageNet
k-NN		ImageNet
线性		下载
ViT-S/14 蒸馏21 M:x:79.0%81.1%仅主干网络
ViT-S/14 蒸馏21 M:white_check_mark:79.1%80.9%仅主干网络
ViT-B/14 蒸馏86 M:x:82.1%84.5%仅主干网络
ViT-B/14 蒸馏86 M:white_check_mark:82.0%84.6%仅主干网络
ViT-L/14 蒸馏300 M:x:83.5%86.3%仅主干网络
ViT-L/14 蒸馏300 M:white_check_mark:83.8%86.7%仅主干网络
ViT-g/141,100 M:x:83.5%86.5%仅主干网络
ViT-g/141,100 M:white_check_mark:83.7%87.1%仅主干网络

预训练主干网络 (通过 PyTorch Hub)

请按照这里的说明安装PyTorch(加载模型唯一需要的依赖)。强烈建议安装支持CUDA的PyTorch版本。

仓库中包含了相应的模型卡片。

import torch

# DINOv2
dinov2_vits14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14')
dinov2_vitb14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14')
dinov2_vitl14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14')
dinov2_vitg14 = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14')

# 带寄存器的DINOv2
dinov2_vits14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_reg')
dinov2_vitb14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg')
dinov2_vitl14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg')
dinov2_vitg14_reg = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_reg')

预训练头部 - 图像分类

骨干网络带寄存器下载
ImageNet
ViT-S/14 蒸馏:x: 线性头 (1层, 4层)
ViT-S/14 蒸馏:white_check_mark: 线性头 (1层, 4层)
ViT-B/14 蒸馏:x: 线性头 (1层, 4层)
ViT-B/14 蒸馏:white_check_mark: 线性头 (1层, 4层)
ViT-L/14 蒸馏:x: 线性头 (1层, 4层)
ViT-L/14 蒸馏:white_check_mark: 线性头 (1层, 4层)
ViT-g/14:x: 线性头 (1层, 4层)
ViT-g/14:white_check_mark: 线性头 (1层, 4层)

可以通过PyTorch Hub加载（完整的）分类器模型：

import torch

# DINOv2
dinov2_vits14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_lc')
dinov2_vitb14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_lc')
dinov2_vitl14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_lc')
dinov2_vitg14_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_lc')

# 带寄存器的DINOv2
dinov2_vits14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vits14_reg_lc')
dinov2_vitb14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitb14_reg_lc')
dinov2_vitl14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitl14_reg_lc')
dinov2_vitg14_reg_lc = torch.hub.load('facebookresearch/dinov2', 'dinov2_vitg14_reg_lc')

预训练头 - 深度估计

骨干网络下载头部
NYUdKITTI
ViT-S/14 蒸馏版 线性 (1层, 4层), DPT 线性 (1层, 4层), DPT
ViT-B/14 蒸馏版 线性 (1层, 4层), DPT 线性 (1层, 4层), DPT
ViT-L/14 蒸馏版 线性 (1层, 4层), DPT 线性 (1层, 4层), DPT
ViT-g/14 线性 (1层, 4层), DPT 线性 (1层, 4层), DPT

预训练头部 - 语义分割

主干网络下载模型下载头部
ADE20KADE20KVOC2012
ViT-S/14 蒸馏 线性， 多尺度 线性， 多尺度
ViT-B/14 蒸馏 线性， 多尺度 线性， 多尺度
ViT-L/14 蒸馏 线性， 多尺度 线性， 多尺度
ViT-g/14 Mask2Former 线性， 多尺度 线性， 多尺度

安装

训练和评估代码需要PyTorch 2.0和xFormers 0.0.18，以及其他一些第三方软件包。请注意，代码仅在指定版本上进行过测试，并且需要在Linux环境下运行。要设置训练和评估所需的所有依赖项，请按照以下说明操作：

conda (推荐) - 克隆仓库，然后使用提供的环境定义创建并激活dinov2conda环境：

conda env create -f conda.yaml
conda activate dinov2

pip - 克隆仓库，然后使用提供的requirements.txt安装依赖项：

pip install -r requirements.txt

对于密集任务（深度估计和语义分割），还有额外的依赖项（特定版本的mmcv和mmsegmentation），这些都包含在extras依赖规范中：

conda (推荐):

conda env create -f conda-extras.yaml
conda activate dinov2-extras

pip:

pip install -r requirements.txt -r requirements-extras.txt

数据准备

ImageNet-1k

数据集的根目录应包含以下内容：

  • <ROOT>/test/ILSVRC2012_test_00000001.JPEG
  • <ROOT>/test/[..]
  • <ROOT>/test/ILSVRC2012_test_00100000.JPEG
  • <ROOT>/train/n01440764/n01440764_10026.JPEG
  • <ROOT>/train/[...]
  • <ROOT>/train/n15075141/n15075141_9993.JPEG
  • <ROOT>/val/n01440764/ILSVRC2012_val_00000293.JPEG
  • <ROOT>/val/[...]
  • <ROOT>/val/n15075141/ILSVRC2012_val_00049174.JPEG
  • <ROOT>/labels.txt

提供的数据集实现期望在额外目录下存在几个额外的元数据文件：

  • <EXTRA>/class-ids-TRAIN.npy
  • <EXTRA>/class-ids-VAL.npy
  • <EXTRA>/class-names-TRAIN.npy
  • <EXTRA>/class-names-VAL.npy
  • <EXTRA>/entries-TEST.npy
  • <EXTRA>/entries-TRAIN.npy
  • <EXTRA>/entries-VAL.npy

这些元数据文件可以通过以下Python代码（一次性）生成：

from dinov2.data.datasets import ImageNet

for split in ImageNet.Split:
    dataset = ImageNet(split=split, root="<ROOT>", extra="<EXTRA>")
    dataset.dump_extra()

请注意，根目录和额外目录不必是不同的目录。

ImageNet-22k

请根据您的本地设置调整数据集类。


:warning: 要执行下一节中提供的用于训练和评估的命令，dinov2包应包含在Python模块搜索路径中，即只需在运行命令前加上PYTHONPATH=.前缀。

训练

快速设置：在ImageNet-1k上训练DINOv2 ViT-L/16

在SLURM集群环境中使用submitit在4个A100-80GB节点（32个GPU）上运行DINOv2训练：

python dinov2/run/train/train.py \
    --nodes 4 \
    --config-file dinov2/configs/train/vitl16_short.yaml \
    --output-dir <输出目录路径> \
    train.dataset_path=ImageNet:split=TRAIN:root=<数据集路径>:extra=<数据集路径>

训练时间大约为1天，最终的检查点应在k-NN评估中达到81.6%，在线性评估中达到82.9%。

训练代码每12500次迭代会在eval文件夹中保存教师的权重以供评估。

长期设置：在ImageNet-22k上训练DINOv2 ViT-L/14

在SLURM集群环境中使用submitit在12个A100-80GB节点(96个GPU)上运行DINOv2训练:

python dinov2/run/train/train.py \
    --nodes 12 \
    --config-file dinov2/configs/train/vitl14.yaml \
    --output-dir <输出目录路径> \
    train.dataset_path=ImageNet22k:root=<数据集路径>:extra=<数据集路径>

训练时间大约为3.3天，最终的检查点应在k-NN评估中达到82.0%，在线性评估中达到84.5%。

训练代码每12500次迭代会在eval文件夹中保存教师的权重以供评估。

评估

训练代码会定期保存教师权重。为了评估模型，在单个节点上运行以下评估:

在ImageNet-1k上进行k-NN分类

python dinov2/run/eval/knn.py \
    --config-file <输出目录路径>/config.yaml \
    --pretrained-weights <输出目录路径>/eval/training_24999/teacher_checkpoint.pth \
    --output-dir <输出目录路径>/eval/training_24999/knn \
    --train-dataset ImageNet:split=TRAIN:root=<数据集路径>:extra=<数据集路径> \
    --val-dataset ImageNet:split=VAL:root=<数据集路径>:extra=<数据集路径>

在ImageNet-1k上进行逻辑回归分类

python dinov2/run/eval/log_regression.py \
    --config-file <输出目录路径>/config.yaml \
    --pretrained-weights <输出目录路径>/eval/training_24999/teacher_checkpoint.pth \
    --output-dir <输出目录路径>/eval/training_24999/logreg \
    --train-dataset ImageNet:split=TRAIN:root=<数据集路径>:extra=<数据集路径> \
    --val-dataset ImageNet:split=VAL:root=<数据集路径>:extra=<数据集路径>

在ImageNet-1k上进行带数据增强的线性分类

python dinov2/run/eval/linear.py \
    --config-file <输出目录路径>/config.yaml \
    --pretrained-weights <输出目录路径>/eval/training_24999/teacher_checkpoint.pth \
    --output-dir <输出目录路径>/eval/training_24999/linear \
    --train-dataset ImageNet:split=TRAIN:root=<数据集路径>:extra=<数据集路径> \
    --val-dataset ImageNet:split=VAL:root=<数据集路径>:extra=<数据集路径>

我们发布了评估不同模型的权重:

模型带
寄存器		ImageNet
top-1		线性评估
ViT-S/14 蒸馏:x:81.1%线性头权重
ViT-S/14 蒸馏:white_check_mark:80.8%线性头权重
ViT-B/14 蒸馏:x:84.5%线性头权重
ViT-B/14 蒸馏:white_check_mark:84.4%线性头权重
ViT-L/14 蒸馏:x:86.3%线性头权重
ViT-L/14 蒸馏:white_check_mark:86.5%线性头权重
ViT-g/14:x:86.5%线性头权重
ViT-g/14:white_check_mark:87.0%线性头权重

可以按如下方式在ImageNet-1k上评估所提供的预训练模型权重的性能:

python dinov2/run/eval/linear.py \
    --config-file dinov2/configs/eval/vitg14_pretrain.yaml \
    --pretrained-weights https://dl.fbaipublicfiles.com/dinov2/dinov2_vitg14/dinov2_vitg14_pretrain.pth \
    --train-dataset ImageNet:split=TRAIN:root=<数据集路径>:extra=<数据集路径> \
    --val-dataset ImageNet:split=VAL:root=<数据集路径>:extra=<数据集路径>

笔记本

提供了几个笔记本以帮助社区利用模型和代码:

  • 深度估计 - 如何通过mmcv加载和使用深度头与匹配的主干网络结合
  • 语义分割 - 如何通过mmcv加载和使用分割头与匹配的主干网络结合，以及如何加载和使用在ADE20K上训练的基于Mask2Former的分割模型

许可证

DINOv2代码和模型权重根据Apache License 2.0发布。有关更多详细信息，请参阅LICENSE。

贡献

请参阅贡献指南和行为准则。

引用DINOv2

如果您发现这个仓库有用，请考虑给予星标:star:和引用:t-rex::

@misc{oquab2023dinov2,
  title={DINOv2: Learning Robust Visual Features without Supervision},
  author={Oquab, Maxime and Darcet, Timothée and Moutakanni, Theo and Vo, Huy V. and Szafraniec, Marc and Khalidov, Vasil and Fernandez, Pierre and Haziza, Daniel and Massa, Francisco and El-Nouby, Alaaeldin and Howes, Russell and Huang, Po-Yao and Xu, Hu and Sharma, Vasu and Li, Shang-Wen and Galuba, Wojciech and Rabbat, Mike and Assran, Mido and Ballas, Nicolas and Synnaeve, Gabriel and Misra, Ishan and Jegou, Herve and Mairal, Julien and Labatut, Patrick and Joulin, Armand and Bojanowski, Piotr},
  journal={arXiv:2304.07193},
  year={2023}
}

@misc{darcet2023vitneedreg,
  title={Vision Transformers Need Registers},
  author={Darcet, Timothée and Oquab, Maxime and Mairal, Julien and Bojanowski, Piotr},
  journal={arXiv:2309.16588},
  year={2023}
}
相关项目
项目侧边栏1项目侧边栏2
推荐项目
Project Cover

豆包MarsCode

豆包 MarsCode 是一款革命性的编程助手，通过AI技术提供代码补全、单测生成、代码解释和智能问答等功能，支持100+编程语言，与主流编辑器无缝集成，显著提升开发效率和代码质量。

Project Cover

AI写歌

Suno AI是一个革命性的AI音乐创作平台，能在短短30秒内帮助用户创作出一首完整的歌曲。无论是寻找创作灵感还是需要快速制作音乐，Suno AI都是音乐爱好者和专业人士的理想选择。

Project Cover

有言AI

有言平台提供一站式AIGC视频创作解决方案，通过智能技术简化视频制作流程。无论是企业宣传还是个人分享，有言都能帮助用户快速、轻松地制作出专业级别的视频内容。

Project Cover

Kimi

Kimi AI助手提供多语言对话支持，能够阅读和理解用户上传的文件内容，解析网页信息，并结合搜索结果为用户提供详尽的答案。无论是日常咨询还是专业问题，Kimi都能以友好、专业的方式提供帮助。

Project Cover

阿里绘蛙

绘蛙是阿里巴巴集团推出的革命性AI电商营销平台。利用尖端人工智能技术，为商家提供一键生成商品图和营销文案的服务，显著提升内容创作效率和营销效果。适用于淘宝、天猫等电商平台，让商品第一时间被种草。

Project Cover

吐司

探索Tensor.Art平台的独特AI模型，免费访问各种图像生成与AI训练工具，从Stable Diffusion等基础模型开始，轻松实现创新图像生成。体验前沿的AI技术，推动个人和企业的创新发展。

Project Cover

SubCat字幕猫

SubCat字幕猫APP是一款创新的视频播放器，它将改变您观看视频的方式！SubCat结合了先进的人工智能技术，为您提供即时视频字幕翻译，无论是本地视频还是网络流媒体，让您轻松享受各种语言的内容。

Project Cover

美间AI

美间AI创意设计平台，利用前沿AI技术，为设计师和营销人员提供一站式设计解决方案。从智能海报到3D效果图，再到文案生成，美间让创意设计更简单、更高效。

Project Cover

AIWritePaper论文写作

AIWritePaper论文写作是一站式AI论文写作辅助工具，简化了选题、文献检索至论文撰写的整个过程。通过简单设定，平台可快速生成高质量论文大纲和全文，配合图表、参考文献等一应俱全，同时提供开题报告和答辩PPT等增值服务，保障数据安全，有效提升写作效率和论文质量。

使用协议隐私政策广告服务
投诉举报邮箱: service@vectorlightyear.com
@2024 懂AI·鲁ICP备2024100362号-6·鲁公网安备37021002001498号