DINOv2 实战指南从 3 行代码到图像检索与微调【免费下载链接】dinov2PyTorch code and models for the DINOv2 self-supervised learning method.项目地址: https://gitcode.com/GitHub_Trending/di/dinov2DINOv2 是 Meta AI 的自监督视觉特征提取框架基于 PyTorch 实现。读完本文你能用几行代码抽出图像特征、搭一个相似度检索工具并对分类头做轻量微调。30 秒认识 DINOv2结论DINOv2 全程不依赖标签把学特征这件事做完了你的活只剩下挑一个任务头。它在 1.42 亿张无标注图像上用自蒸馏完成预训练同一张图的全局视图喂给教师网络局部裁剪块喂给学生网络学生被要求复现教师的输出。没有类别信息模型只能把图像长什么样本身学扎实所以抽出的特征拿到下游任务就能直接用。两种输出各管一摊CLS token 是一张图的全局向量适合分类、检索这类整图任务patch token 保留逐块空间信息适合分割、深度估计这类密集预测任务。先选对模型结论四档都是 patch 尺寸 14只差宽度和深度默认输入 518×518权重全部在 LVD-142M 上蒸馏而来。档位参数量嵌入维度Transformer 层数推荐场景最低显存参考ViT-S/1421 M38412边缘端、批量推理~6 GBViT-B/1486 M76812默认选择精度/成本平衡~10 GBViT-L/14300 M102424高精度特征、密集预测~16 GBViT-g/141,100 M153640追极致指标~24 GB三句话选型边部署选 ViT-S/14求平衡选 ViT-B/14追性能选 ViT-L/14ViT-g/14 只在指标还差最后一段时才值得。带_reg后缀的版本会额外加 4 个 register token官方精度表中略占优加载方式完全相同。5 分钟上手结论推理只需要 PyTorch 加仓库里的依赖文件两条命令装完。git clone https://gitcode.com/GitHub_Trending/di/dinov2 conda create -n dinov2 python3.9 -y conda activate dinov2 pip install -r dinov2/requirements.txt仓库的 conda.yaml 锁的是 python 3.9、torch 2.0.0、torchvision 0.15.0、CUDA 11.7环境对齐它能少走弯路。加载、预处理、提特征的最短路径如下import torch import torchvision.transforms as T model torch.hub.load(facebookresearch/dinov2, dinov2_vitb14) # 权重缓存到 ~/.cache/torch/hub model.eval() preprocess T.Compose([ T.Resize(518), T.CenterCrop(518), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) x preprocess(img).unsqueeze(0) # (1, 3, 518, 518) with torch.no_grad(): cls model(x) # (1, 768)CLS token feats model.forward_features(x) # dictx_norm_clstoken / x_norm_patchtokens / x_prenorm print(feats[x_norm_patchtokens].shape) # (1, 1369, 768)518/143737*37 个 patch三个形状要记牢CLS 特征(B, 768)patch 特征(B, 1369, 768)get_intermediate_layers(x, n4)还能按层取中间特征分割头就是这么用的。实战一用特征搭一个图像检索工具结论入库时把 L2 归一化的 CLS 向量存成 numpy 文件查询就是矩阵乘法加排序相似度用点积即可。import glob, numpy as np from PIL import Image def embed(path): x preprocess(Image.open(path).convert(RGB)).unsqueeze(0) with torch.no_grad(): v model(x) return (v / v.norm(dim-1, keepdimTrue)).cpu().numpy()[0] # 归一化后点积即余弦相似度 def index_folder(folder, outindex.npy): paths sorted(glob.glob(folder /*.jpg)) np.save(out, np.stack([embed(p) for p in paths])) return paths def search(paths, query, db, k5): top np.argsort(-(db embed(query)))[-k:] return [paths[i] for i in top]embed里那一步归一化把每个向量压到单位球面上之后(1, 768) × (N, 768)的点积直接就是余弦相似度不用再除以范数。数据库存成.npy后万张级别的图库在 CPU 上查一次也就毫秒级。实战二微调一个图像分类器结论数据量不大就别动主干线性探测足够要榨精度再上全量微调。对比项线性探测全量微调可训练参数仅分类头约 0.77 M768 类维输入 → 1000 类全部约 86 MViT-B/14算力成本单卡数小时可先离线缓存特征多卡、混合精度一个数量级以上适用数据规模数千到数万张标注十万张以上或领域差距大最轻量的方案是主干冻结、只训一个线性头直接复用 patch 特征做全局池化import torch.nn as nn, torch.nn.functional as F head nn.Linear(768, 1000) opt torch.optim.SGD(head.parameters(), lr1e-3, momentum0.9) for images, labels in train_loader: with torch.no_grad(): f model.forward_features(images)[x_norm_patchtokens].mean(dim1) # (B, 768) loss F.cross_entropy(head(f), labels) opt.zero_grad(); loss.backward(); opt.step()想复刻官方评测多组学习率、取最后 1/4 个 block、avgpool 网格搜索看 dinov2/eval/linear.py 里的LinearClassifier与run_eval_linear入口脚本是 dinov2/run/eval/linear.py。数据充足时再解冻主干、给头 10 倍学习率通常比从头微调省得多。实战三分割与深度估计等密集预测结论密集预测别用 CLS token官方预训练头直接吃中间层 patch 特征一行torch.hub.load就能拿到能出图的结果。语义分割和深度估计都是逐像素任务需要保留空间结构。仓库把主干 4 个不同深度的中间层特征reshape 回 2D 网格后喂给 DPT 或线性深度头再上采样到原图尺寸。深度方向已经备好 NYUd 和 KITTI 两套权重import torchvision depth_model torch.hub.load(facebookresearch/dinov2, dinov2_vitb14_ld) # NYU 线性头NYU/KITTI 可切换 depth_model.eval() img torchvision.io.read_image(scene.jpg).float() / 255.0 with torch.no_grad(): depth depth_model(img) print(depth.shape) # (1, 1, H, W)模型内部会自动做中心填充适配任意输入尺寸不必自己垫到 14 的倍数。语义分割的对应模块在 dinov2/eval/segmentation/线性头与 dinov2/eval/segmentation_m2f/Mask2Former 头深度相关实现集中在 dinov2/eval/depth/。这套冻结主干 现成头的思路同样覆盖多通道显微、X 光等场景对应实现可看 dinov2/hub/depthers.py。避坑指南症状torch.hub.load卡在权重下载或报 403。原因默认从 Meta 的dl.fbaipublicfiles.comCDN 拉取.pth网络受限时会失败。命令手动下好权重后改为torch.hub.load(facebookresearch/dinov2, dinov2_vitb14, weights/path/to/xxx_pretrain.pth)weights支持本地路径见 dinov2/hub/backbones.py。症状The NVIDIA driver on your system is too old或 xformers 报不兼容。原因torch 编译的 CUDA 与驱动/系统版本对不上。命令nvidia-smi看驱动支持上限后重装pip install torch2.0.0cu117 torchvision0.15.0cu117 --extra-index-url https://download.pytorch.org/whl/cu117。症状跑 ViT-L/14 或 ViT-g/14 时CUDA out of memory。原因518×518 输入有 1369 个 token注意力矩阵随 token 数平方增长L/g 档在单卡上很难全量微调。命令pip install -U xformers0.0.18启用内存高效的注意力并降低 batch size仍不够就先缓存特征只训下游头。症状RuntimeError: Input image resolution ... not divisible by patch size或特征网格对不齐。原因绕过封装直接喂了 14 不整除的分辨率。命令保持 51837×14等合法尺寸或用T.CenterCrop/深度模型的自动中心填充自定义尺寸时确保 H、W 都能被 14 整除。症状检索结果排序异常相似图排不到前面。原因库里混了未归一化的向量点积不再是余弦相似度。命令入库统一过一遍v / v.norm(dim-1, keepdimTrue)已入库的旧向量重新归一化后再存回。关键要点选型边部署 ViT-S/1421 M、默认 ViT-B/1486 M、追指标 ViT-L/14300 M加载一行torch.hub.load(facebookresearch/dinov2, dinov2_vitb14)。用法整图任务取 CLS token(B, 768)密集任务取 patch token(B, 1369, 768)检索先 L2 归一化再点积分类优先冻结主干只训线性头。密集预测直接复用官方预训练头dinov2_vitb14_ld等不需要自己写 DPT 解码结构。想继续深挖所有模型入口在 hubconf.py骨干/分类器/深度头实现在 dinov2/hub/线性评测与分割、深度评测代码在 dinov2/eval/。【免费下载链接】dinov2PyTorch code and models for the DINOv2 self-supervised learning method.项目地址: https://gitcode.com/GitHub_Trending/di/dinov2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
DINOv2 实战指南从 3 行代码到图像检索与微调【免费下载链接】dinov2PyTorch code and models for the DINOv2 self-supervised learning method.项目地址: https://gitcode.com/GitHub_Trending/di/dinov2DINOv2 是 Meta AI 的自监督视觉特征提取框架基于 PyTorch 实现。读完本文你能用几行代码抽出图像特征、搭一个相似度检索工具并对分类头做轻量微调。30 秒认识 DINOv2结论DINOv2 全程不依赖标签把学特征这件事做完了你的活只剩下挑一个任务头。它在 1.42 亿张无标注图像上用自蒸馏完成预训练同一张图的全局视图喂给教师网络局部裁剪块喂给学生网络学生被要求复现教师的输出。没有类别信息模型只能把图像长什么样本身学扎实所以抽出的特征拿到下游任务就能直接用。两种输出各管一摊CLS token 是一张图的全局向量适合分类、检索这类整图任务patch token 保留逐块空间信息适合分割、深度估计这类密集预测任务。先选对模型结论四档都是 patch 尺寸 14只差宽度和深度默认输入 518×518权重全部在 LVD-142M 上蒸馏而来。档位参数量嵌入维度Transformer 层数推荐场景最低显存参考ViT-S/1421 M38412边缘端、批量推理~6 GBViT-B/1486 M76812默认选择精度/成本平衡~10 GBViT-L/14300 M102424高精度特征、密集预测~16 GBViT-g/141,100 M153640追极致指标~24 GB三句话选型边部署选 ViT-S/14求平衡选 ViT-B/14追性能选 ViT-L/14ViT-g/14 只在指标还差最后一段时才值得。带_reg后缀的版本会额外加 4 个 register token官方精度表中略占优加载方式完全相同。5 分钟上手结论推理只需要 PyTorch 加仓库里的依赖文件两条命令装完。git clone https://gitcode.com/GitHub_Trending/di/dinov2 conda create -n dinov2 python3.9 -y conda activate dinov2 pip install -r dinov2/requirements.txt仓库的 conda.yaml 锁的是 python 3.9、torch 2.0.0、torchvision 0.15.0、CUDA 11.7环境对齐它能少走弯路。加载、预处理、提特征的最短路径如下import torch import torchvision.transforms as T model torch.hub.load(facebookresearch/dinov2, dinov2_vitb14) # 权重缓存到 ~/.cache/torch/hub model.eval() preprocess T.Compose([ T.Resize(518), T.CenterCrop(518), T.ToTensor(), T.Normalize(mean[0.485, 0.456, 0.406], std[0.229, 0.224, 0.225]), ]) x preprocess(img).unsqueeze(0) # (1, 3, 518, 518) with torch.no_grad(): cls model(x) # (1, 768)CLS token feats model.forward_features(x) # dictx_norm_clstoken / x_norm_patchtokens / x_prenorm print(feats[x_norm_patchtokens].shape) # (1, 1369, 768)518/143737*37 个 patch三个形状要记牢CLS 特征(B, 768)patch 特征(B, 1369, 768)get_intermediate_layers(x, n4)还能按层取中间特征分割头就是这么用的。实战一用特征搭一个图像检索工具结论入库时把 L2 归一化的 CLS 向量存成 numpy 文件查询就是矩阵乘法加排序相似度用点积即可。import glob, numpy as np from PIL import Image def embed(path): x preprocess(Image.open(path).convert(RGB)).unsqueeze(0) with torch.no_grad(): v model(x) return (v / v.norm(dim-1, keepdimTrue)).cpu().numpy()[0] # 归一化后点积即余弦相似度 def index_folder(folder, outindex.npy): paths sorted(glob.glob(folder /*.jpg)) np.save(out, np.stack([embed(p) for p in paths])) return paths def search(paths, query, db, k5): top np.argsort(-(db embed(query)))[-k:] return [paths[i] for i in top]embed里那一步归一化把每个向量压到单位球面上之后(1, 768) × (N, 768)的点积直接就是余弦相似度不用再除以范数。数据库存成.npy后万张级别的图库在 CPU 上查一次也就毫秒级。实战二微调一个图像分类器结论数据量不大就别动主干线性探测足够要榨精度再上全量微调。对比项线性探测全量微调可训练参数仅分类头约 0.77 M768 类维输入 → 1000 类全部约 86 MViT-B/14算力成本单卡数小时可先离线缓存特征多卡、混合精度一个数量级以上适用数据规模数千到数万张标注十万张以上或领域差距大最轻量的方案是主干冻结、只训一个线性头直接复用 patch 特征做全局池化import torch.nn as nn, torch.nn.functional as F head nn.Linear(768, 1000) opt torch.optim.SGD(head.parameters(), lr1e-3, momentum0.9) for images, labels in train_loader: with torch.no_grad(): f model.forward_features(images)[x_norm_patchtokens].mean(dim1) # (B, 768) loss F.cross_entropy(head(f), labels) opt.zero_grad(); loss.backward(); opt.step()想复刻官方评测多组学习率、取最后 1/4 个 block、avgpool 网格搜索看 dinov2/eval/linear.py 里的LinearClassifier与run_eval_linear入口脚本是 dinov2/run/eval/linear.py。数据充足时再解冻主干、给头 10 倍学习率通常比从头微调省得多。实战三分割与深度估计等密集预测结论密集预测别用 CLS token官方预训练头直接吃中间层 patch 特征一行torch.hub.load就能拿到能出图的结果。语义分割和深度估计都是逐像素任务需要保留空间结构。仓库把主干 4 个不同深度的中间层特征reshape 回 2D 网格后喂给 DPT 或线性深度头再上采样到原图尺寸。深度方向已经备好 NYUd 和 KITTI 两套权重import torchvision depth_model torch.hub.load(facebookresearch/dinov2, dinov2_vitb14_ld) # NYU 线性头NYU/KITTI 可切换 depth_model.eval() img torchvision.io.read_image(scene.jpg).float() / 255.0 with torch.no_grad(): depth depth_model(img) print(depth.shape) # (1, 1, H, W)模型内部会自动做中心填充适配任意输入尺寸不必自己垫到 14 的倍数。语义分割的对应模块在 dinov2/eval/segmentation/线性头与 dinov2/eval/segmentation_m2f/Mask2Former 头深度相关实现集中在 dinov2/eval/depth/。这套冻结主干 现成头的思路同样覆盖多通道显微、X 光等场景对应实现可看 dinov2/hub/depthers.py。避坑指南症状torch.hub.load卡在权重下载或报 403。原因默认从 Meta 的dl.fbaipublicfiles.comCDN 拉取.pth网络受限时会失败。命令手动下好权重后改为torch.hub.load(facebookresearch/dinov2, dinov2_vitb14, weights/path/to/xxx_pretrain.pth)weights支持本地路径见 dinov2/hub/backbones.py。症状The NVIDIA driver on your system is too old或 xformers 报不兼容。原因torch 编译的 CUDA 与驱动/系统版本对不上。命令nvidia-smi看驱动支持上限后重装pip install torch2.0.0cu117 torchvision0.15.0cu117 --extra-index-url https://download.pytorch.org/whl/cu117。症状跑 ViT-L/14 或 ViT-g/14 时CUDA out of memory。原因518×518 输入有 1369 个 token注意力矩阵随 token 数平方增长L/g 档在单卡上很难全量微调。命令pip install -U xformers0.0.18启用内存高效的注意力并降低 batch size仍不够就先缓存特征只训下游头。症状RuntimeError: Input image resolution ... not divisible by patch size或特征网格对不齐。原因绕过封装直接喂了 14 不整除的分辨率。命令保持 51837×14等合法尺寸或用T.CenterCrop/深度模型的自动中心填充自定义尺寸时确保 H、W 都能被 14 整除。症状检索结果排序异常相似图排不到前面。原因库里混了未归一化的向量点积不再是余弦相似度。命令入库统一过一遍v / v.norm(dim-1, keepdimTrue)已入库的旧向量重新归一化后再存回。关键要点选型边部署 ViT-S/1421 M、默认 ViT-B/1486 M、追指标 ViT-L/14300 M加载一行torch.hub.load(facebookresearch/dinov2, dinov2_vitb14)。用法整图任务取 CLS token(B, 768)密集任务取 patch token(B, 1369, 768)检索先 L2 归一化再点积分类优先冻结主干只训线性头。密集预测直接复用官方预训练头dinov2_vitb14_ld等不需要自己写 DPT 解码结构。想继续深挖所有模型入口在 hubconf.py骨干/分类器/深度头实现在 dinov2/hub/线性评测与分割、深度评测代码在 dinov2/eval/。【免费下载链接】dinov2PyTorch code and models for the DINOv2 self-supervised learning method.项目地址: https://gitcode.com/GitHub_Trending/di/dinov2创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
