К содержимому
Другое

Warped-Cartesian omni-foveation DINOv3-S+

фовеальный визуальный энкодер

2 мин чтенияобновлено

Модель представляет собой визуальный энкодер и классификатор для ImageNet-1k, который имитирует фовеальное (периферийное и центральное) зрение человека вместо равномерного сканирования картинки. Она создана на базе facebook/dinov3-vits16plus-pretrain-lvd1689m (DINOv3 ViT-S/16+) авторами библиотеки FOVI с помощью LoRA (небольшой обучаемой надстройки над базовой моделью). На вход модель принимает изображения, координаты точек фиксации взгляда и индекс силы фовеации, а на выходе возвращает логиты для 1000 классов, 384-мерные эмбеддинги и ретинальные проекции. В отличие от обычных Vision Transformer, один и тот же чекпоинт здесь адаптирован сразу под семь уровней детализации взгляда и использует искажённую декартову сетку сетчатки (Warped-Cartesian). Пригодится исследователям компьютерного зрения и биоинспирированных систем восприятия.

Ключевые особенности

  • 7 уровней фовеации в одном чекпоинте: поддерживает фиксированный набор значений cmf_a от 0.001 (сильное сжатие периферии) до 1000 (почти равномерная сетка).
  • Компактный бюджет сетчатки: работает с 16 384 сэмплами (номинальное разрешение 128) и 64 пространственными патч-токенами с размером патча 16 и нативным кортикальным RoPE.
  • Эффективная адаптация: поверх DINOv3-S+ обучена LoRA (rank 64, alpha 64) на эмбеддингах патчей и блоках трансформера 0–5, а также финальная нормализация и голова классификации.
  • Автономный пакет веса: архив уже включает базовый бэкбон, LoRA-параметры и проекторы, поэтому при загрузке не нужно скачивать закрытые веса базовой модели отдельно.

Что можно сделать

  • Извлекать визуальные признаки с разной детализацией: получать 384-мерные эмбеддинги изображений при заданных точках фиксации взгляда для экспериментов с активным зрением.
  • Сравнивать точность распознавания при серии фиксаций: исследовать, как накопление от 1 до 20 взглядов на разные участки кадра повышает качество классификации на ImageNet-1k.
  • Использовать как визуальный бэкбон в пайплайнах FOVI: интегрировать энкодер в собственные модели управления взглядом или робототехнические рецепты (чекпоинт использовался в рецептах CoRL-v5).

Пример

from pathlib import Path
import torch
from huggingface_hub import snapshot_download
from fovi.models import get_model_from_base_fn

folder = Path(snapshot_download("fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k"))
model = get_model_from_base_fn(str(folder), device="cuda", load_strict=True,
    **{"pretrained_model.path": str(folder / "backbone"), "pretrained_model.load_weights": False}).eval()
ПодробнееНа полной валидации ImageNet-1k (50 000 изображений) общий Top-1 составляет 69.088% при 1 фиксации и вырастает до 75.918% при 20 фиксациях (Top-5 — 88.592% и 92.886% соответственно).
При слабой фовеации (cmf_a = 100) точность Top-1 достигает 75.99% за 1 взгляд и 79.77% за 20 взглядов, при экстремальной (cmf_a = 0.001) — 53.60% и 67.86%.
Для запуска требуется библиотека fovi[models]==2.6.0 и GPU (CUDA); пакет использует собственный загрузчик FOVI и не совместим с transformers.AutoModel.
Ограничения: модель не является RL-политикой выбора взгляда, поддерживает только 7 заданных уровней CMF и обучена на планарной, а не сферической проекции.
Обсудить Telegram 0 17

Запустится ли?

Запустится в BF16

Влезает без сжатия.

  • BF16веса 0.1 GB · готовые файлы0.6 GB
  • FP8 / INT8рекомендуемвеса 0.1 GB0.6 GB
  • 4-bitвеса 0.0 GB0.5 GB

Совет: берите 8-bit.FP8 / INT8 почти не отличается по качеству от полной точности (разница в пределах процента), а памяти занимает вдвое меньше и на RTX 40/50, H100 работает быстрее. Полную точность есть смысл брать только для дообучения.

Что взять под эту модель

Massed ComputeОткрыть Massed Compute

Своя видеокарта: FP8 / INT8 — от RTX 2060 · BF16 — от RTX 2060

Почасовые цены Massed Compute на ноябрь 2026. Цена со скидкой — с промокодом при оплате.

Оценка: веса плюс рабочая память. Длинные ролики, высокое разрешение и большой контекст требуют больше.

Запуск на Massed Compute

Скрипт скачает модель на арендованную машину. Как её запустить — в карточке модели.

  1. 1. Арендуйте машину с подходящей видеокартой

    Открыть Massed Compute
  2. 2. Вставьте скрипт в терминал машины

    Подключитесь по SSH (команда есть в панели Massed Compute) или откройте терминал на рабочем столе машины.

    HF_TOKEN / CIVITAI_TOKENВ начале скрипта строки для токенов: вставьте свой между кавычками. Токен Hugging Face нужен для закрытых моделей, токен Civitai — для моделей с Civitai.

    # fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k
    # ===== Токены: вставьте свои между кавычками =====
    export HF_TOKEN=""        # huggingface.co/settings/tokens — для закрытых моделей
    # ==========================================
    mkdir -p ~/models
    curl -LsSf https://astral.sh/uv/install.sh | sh
    source "$HOME/.local/bin/env"
    uv tool install "huggingface_hub[cli]"
    hf download fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k --local-dir ~/models/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k
    # Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).
  3. 3. Пользуйтесь

    Модель в папке ~/models. Как её запускать, написано в карточке модели (ссылка выше).

Не забудьте остановить машину в панели, когда закончите: оплата идёт поминутно, пока она включена.

Как ускорить

Подобрано под тип модели. Выберите своё железо в блоке выше — покажем то, что подходит именно вам.

  • FlashAttention 44.0.0b40от 18 ноября 2026новая версия

    самое быстрое точное внимание на B200

    Ядра для Blackwell (пока бета). Точное внимание без квантования — подходит для всего, включая LLM.

    Как включить: pip install flash-attn-4; vLLM и SGLang подхватывают сами.

    Предыдущие поколения (2)
    • FlashAttention 3 — Версия для Hopper (H100/H200) с FP8.
    • FlashAttention 2 — Стандарт для RTX 30/40/50 и A100: точное внимание без лишней памяти на длинных контекстах.
  • torch.compile2.15.0от 28 октября 2026новая версия

    10–30% бесплатно

    Компилирует модель под вашу видеокарту. Первый запуск дольше, дальше быстрее.

    Как включить: model = torch.compile(model); в ComfyUI — узел TorchCompileModel.

Семья модели

  1. dinov3-vit7b16-pretrain-lvd1689mоснова семьи
  2. dinov3-vits16plus-pretrain-lvd1689m
  3. fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k

Новые посты про версии dinov3-vit7b16-pretrain-lvd1689m — сжатые, дообучения, LoRA — появятся в колокольчике.

Сжатые версии 1Все на Hugging Face
Дообучения 12Все на Hugging Face
LoRA и адаптеры 6Все на Hugging Face

О модели

fovi-pytorch/fovi-dinov3-splus_omni-warped-cartesian_res-128_in1k
Автор
fovi-pytorch
Категория
Другое
Дата выхода
На сайте

На сайте

Hugging Face

170

Спросить нейросеть об этой модели

Отвечает Gemini 4 · переписка хранится только в этой вкладке

Комментарии