vit_giant_patch14_dinov2.lvd142m - 基于Vision Transformer的无监督视觉特征提取模型

vit_giant_patch14_dinov2.lvd142m项目介绍

项目背景

vit_giant_patch14_dinov2.lvd142m是一个基于视觉转换器（Vision Transformer, ViT）的图像特征模型。该模型通过自监督的方法DINOv2进行预训练，使用的数据集为LVD-142M。该项目旨在实现更为鲁棒的视觉特征提取技术，适用于图像分类和特征提取等任务。

模型详情

模型类型: 图像分类/特征骨干
模型参数:
- 参数数量（百万级别）：1136.5
- 计算量（GMACs）：1784.2
- 激活数（百万级别）：2757.9
- 图像大小：518 x 518像素
参考论文：
- DINOv2：无监督学习鲁棒视觉特征
- 图像像素值即语言：使用Transformer进行大规模图像识别
项目来源: GitHub项目地址

模型应用

图像分类

该模型可用于图像分类任务，通过timm库加载预训练的vit_giant_patch14_dinov2.lvd142m模型，进行图像分类预测。下面是简单的使用示例：

from urllib.request import urlopen
from PIL import Image
import timm
import torch

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model('vit_giant_patch14_dinov2.lvd142m', pretrained=True).eval()

# 获取模型的特定转换（归一化、调整大小）
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))

top5_probabilities, top5_class_indices = torch.topk(output.softmax(dim=1) * 100, k=5)

图像嵌入

除了分类以外，模型还可以用来生成图像嵌入，这有助于图像特征的提取与比较：

from urllib.request import urlopen
from PIL import Image
import timm

img = Image.open(urlopen(
    'https://huggingface.co/datasets/huggingface/documentation-images/resolve/main/beignets-task-guide.png'
))

model = timm.create_model(
    'vit_giant_patch14_dinov2.lvd142m',
    pretrained=True,
    num_classes=0  # 移除分类器部分
).eval()

# 获取模型的特定转换（归一化、调整大小）
data_config = timm.data.resolve_model_data_config(model)
transforms = timm.data.create_transform(**data_config, is_training=False)

output = model(transforms(img).unsqueeze(0))  # 输出为(batch_size, num_features)形状的张量

模型比较与探索

进一步探索该模型的结果和性能，可以参考timm提供的模型结果页面。

引用信息

如果在研究或应用中使用了该模型或相关技术，请引用以下文献：

@misc{oquab2023dinov2,
  title={DINOv2: Learning Robust Visual Features without Supervision},
  author={Oquab, Maxime et al.},
  year={2023}
}
@article{dosovitskiy2020vit,
  title={An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale},
  author={Dosovitskiy, Alexey et al.},
  year={2021}
}
@misc{rw2019timm,
  author = {Ross Wightman},
  title = {PyTorch Image Models},
  year = {2019},
  doi = {10.5281/zenodo.4414861}
}

通过结合新技术和大规模数据集，vit_giant_patch14_dinov2.lvd142m模型为图像分类和特征提取提供了先进的解决方案。