DINOv3：Meta AI发布的自监督视觉基础模型，开启计算机视觉新篇章

❝

无需微调即可在各类视觉任务中超越专业模型，DINOv3如何重塑视觉特征表示新范式？

❞

什么是DINOv3？

DINOv3是Meta AI研究院（FAIR）推出的新一代「视觉基础模型」，它能生成高质量的密集特征表示，在各类视觉任务中展现出卓越性能。与传统模型不同，DINOv3采用「自监督学习范式」，无需任务特定微调即可超越许多专业模型的表现。

核心突破点

「通用性强」：在图像分类、目标检测、语义分割等多样化任务中均超越专业模型
「特征质量高」：生成的空间感知特征能精准捕捉图像局部关系（见图）
「架构灵活」：同时提供ViT和ConvNeXt两种骨干网络架构
「规模领先」：最大模型ViT-7B包含67亿参数

DINOv3特征可视化
图示：通过红色十字标记的图块与其他图块的余弦相似度图，展示DINOv3捕捉空间关系的能力

模型架构与技术亮点

双架构支持

DINOv3创新性地同时提供两种主流架构的预训练模型：

架构类型	模型变体	参数量	预训练数据集
「ViT」	ViT-S/16 distilled	21M	LVD-1689M
	ViT-S+/16 distilled	29M	LVD-1689M
	ViT-B/16 distilled	86M	LVD-1689M
	ViT-L/16 distilled	300M	LVD-1689M
	ViT-H+/16 distilled	840M	LVD-1689M
	「ViT-7B/16」	6,716M	LVD-1689M
「ConvNeXt」	ConvNeXt Tiny	29M	LVD-1689M
	ConvNeXt Small	50M	LVD-1689M
	ConvNeXt Base	89M	LVD-1689M
	ConvNeXt Large	198M	LVD-1689M

多数据集预训练

模型在两种不同类型的数据集上预训练：

「LVD-1689M」：包含16.89亿张网络图像
「SAT-493M」：包含4.93亿张卫星图像

针对不同数据源，DINOv3提供专用图像预处理流程：

# 网络图像预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Resize((224, 224), antialias=True),
    transforms.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225))
])

# 卫星图像预处理
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Resize((224, 224), antialias=True),
    transforms.Normalize(mean=(0.430, 0.411, 0.296), std=(0.213, 0.156, 0.143))
])

四步上手DINOv3实践指南

第一步：模型获取

通过Hugging Face Transformers（推荐）

from transformers import pipeline

feature_extractor = pipeline(
    model="facebook/dinov3-convnext-tiny-pretrain-lvd1689m",
    task="image-feature-extraction"
)

通过PyTorch Hub

import torch
dinov3_vits16 = torch.hub.load('path/to/repo', 'dinov3_vits16', 
                              source='local', weights='checkpoint.pth')

第二步：特征提取实践

from PIL import Image
from transformers import AutoImageProcessor, AutoModel

# 加载图像
image = load_image("http://images.cocodataset.org/val2017/000000039769.jpg")

# 处理并提取特征
processor = AutoImageProcessor.from_pretrained("facebook/dinov3-vitb16-pretrain-lvd1689m")
model = AutoModel.from_pretrained("facebook/dinov3-vitb16-pretrain-lvd1689m")
inputs = processor(images=image, return_tensors="pt")
outputs = model(**inputs)

print("特征向量维度:", outputs.pooler_output.shape)

第三步：使用预训练任务头

DINOv3提供多种预训练任务头：

任务类型	对应模型	训练数据集	代码调用方式
「图像分类」	ViT-7B/16	ImageNet	`dinov3_vit7b16_lc`
「深度估计」	ViT-7B/16	SYNTHMIX	`dinov3_vit7b16_dd`
「目标检测」	ViT-7B/16	COCO2017	`dinov3_vit7b16_de`
「语义分割」	ViT-7B/16	ADE20K	`dinov3_vit7b16_ms`

深度估计完整示例：

depther = torch.hub.load('repo_path', 'dinov3_vit7b16_dd', 
                        weights='depther_ckpt.pth', 
                        backbone_weights='backbone_ckpt.pth')

# 深度图生成
with torch.inference_mode():
    depths = depther(transformed_image)
    plt.imshow(depths[0,0].cpu(), cmap="Spectral")

第四步：训练自定义模型

基础训练配置

PYTHONPATH=. python -m dinov3.run.submit dinov3/train/train.py \
  --nodes 4 \
  --config-file dinov3/configs/train/vitl_im1k_lin834.yaml \
  --output-dir ./output \
  train.dataset_path=ImageNet:root=/data/imagenet

完整训练流程（ViT-7B）

「预训练阶段」：32节点分布式训练
「Gram锚定阶段」：继承预训练权重
「高分辨率适应阶段」：微调模型

# 阶段1：预训练
python -m dinov3.run.submit dinov3/train/train.py --nodes 32 \
  --config-file dinov3/configs/train/dinov3_vit7b16_pretrain.yaml

# 阶段2：Gram锚定
python -m dinov3.run.submit dinov3/train/train.py --nodes 32 \
  --config-file dinov3/configs/train/dinov3_vit7b16_gram_anchor.yaml \
  gram.ckpt=path/to/gram_teacher

# 阶段3：高分辨率适应
python -m dinov3.run.submit dinov3/train/train.py --nodes 32 \
  --config-file dinov3/configs/train/dinov3_vit7b16_high_res_adapt.yaml \
  student.resume_from_teacher_chkpt=path/to/gram_teacher

六大核心应用场景

1. 零样本文本对齐

dinov3_vitl16_dinotxt, tokenizer = torch.hub.load(
    'repo_path', 
    'dinov3_vitl16_dinotxt_tet1280d20h24l',
    weights='text_ckpt.pth'
)

2. 工业级图像分类

classifier = torch.hub.load('repo_path', 'dinov3_vit7b16_lc',
                          weights='classifier_ckpt.pth')
predictions = classifier(test_images)

3. 高精度深度估计

深度估计效果图
左：原始图像右：DINOv3生成的深度图

4. 实时目标检测

detector = torch.hub.load('repo_path', 'dinov3_vit7b16_de')
detections = detector(input_batch)

5. 语义分割

segmentor = torch.hub.load('repo_path', 'dinov3_vit7b16_ms')
segmentation_map = segmentor(batch_img)

6. 跨模态检索

# 图文相似度计算
image_features = model.encode_image(test_images)
text_features = model.encode_text(text_descriptions)
similarity = image_features @ text_features.T

技术资源大全

官方资源

实践教程

常见问题解答（FAQ）

Q1：DINOv3需要多少显存？

「A1」：不同模型变体显存需求差异较大：

ViT-S/16：约2GB显存
ViT-B/16：约4GB显存
ViT-7B/16：需80GB级显存（推荐多卡并行）

Q2：如何选择合适模型架构？

「A2」：

「研究实验」：ConvNeXt Tiny/Small
「工业部署」：ViT-B/16平衡性能与效率
「极限精度」：ViT-7B/16（需顶级硬件）

Q3：预训练模型包含哪些任务头？

「A3」：基础模型仅包含特征提取器，需额外加载：

分类头：dinov3_vit7b16_lc
深度估计：dinov3_vit7b16_dd
目标检测：dinov3_vit7b16_de
语义分割：dinov3_vit7b16_ms

Q4：训练需要哪些数据集？

「A4」：

基础预训练：LVD-1689M或SAT-493M
分类任务：ImageNet-1k/22k
深度估计：SYNTHMIX
目标检测：COCO2017
语义分割：ADE20K

Q5：如何评估模型性能？

# 图像分类评估
python -m dinov3.run.submit dinov3/eval/linear.py \
  model.pretrained_weights=./teacher_checkpoint.pth

# k-NN分类评估
python -m dinov3.run.submit dinov3/eval/knn.py \
  model.pretrained_weights=./teacher_checkpoint.pth

# 文本对齐评估
python -m dinov3.run.submit dinov3/eval/text/train_dinotxt.py \
  --nodes 4

结语：视觉基础模型的未来之路

DINOv3通过三大技术创新推动视觉模型发展：

「统一特征表示」：同一套特征支持分类/检测/分割等多元任务
「训练效率突破」：Gram锚定技术加速大模型收敛
「零样本迁移」：dinotxt实现文本-图像跨模态对齐

随着模型在Hugging Face Hub全面开放，开发者可快速集成到现有视觉管线。未来可关注三个发展方向：

多模态联合训练扩展
边缘设备量化部署
视频时序建模增强

❝

引用DINOv3请使用：

❞

@article{simeoni2025dinov3,
  title = {{{DINOv3}}},
  author = {Sim{\'e}oni, Oriane and Vo, Huy V. and ...},
  year = {2025},
  url = {https://ai.meta.com/research/publications/dinov3/}
}

「项目资源」：

GitHub仓库：https://github.com/facebookresearch/dinov3
文档中心：https://huggingface.co/docs/transformers/model_doc/dinov3
问题反馈：https://github.com/facebookresearch/dinov3/issues

DINOv3震撼发布！Meta AI引领自监督视觉模型新纪元