Meta AI prezentuje DINOv3: przełom w samouczeniu się maszyn w dziedzinie rozpoznawania obrazów

Meta AI zaprezentowała DINOv3, najnowszy model w dziedzinie rozpoznawania obrazów, który bazuje na samouczeniu się (ang. self-supervised learning, SSL). To przełomowe rozwiązanie wyznacza nowe standardy wszechstronności i dokładności w zadaniach związanych z przetwarzaniem obrazów, a co najważniejsze, nie wymaga danych etykietowanych przez człowieka.

DINOv3 został wytrenowany na gigantycznej bazie 1,7 miliarda obrazów, wykorzystując architekturę z 7 miliardami parametrów. Po raz pierwszy pojedynczy, uniwersalny model wizyjny osiąga lepsze wyniki niż rozwiązania dedykowane konkretnym zadaniom, takim jak detekcja obiektów, segmentacja semantyczna i śledzenie wideo – i to bez konieczności dostrajania (ang. fine-tuning).

Kluczowe innowacje DINOv3

Samouczenie się bez etykiet: DINOv3 uczy się wyłącznie na nieopisanych danych, co czyni go idealnym rozwiązaniem tam, gdzie pozyskiwanie etykiet jest trudne lub kosztowne. Przykładem mogą być zdjęcia satelitarne, zastosowania biomedyczne czy teledetekcja.

Uniwersalna architektura: Model generuje obrazy w wysokiej rozdzielczości, które mogą być adaptowane do różnych zastosowań. Przewyższa on dotychczasowe rozwiązania, zarówno te dedykowane konkretnym zadaniom, jak i te bazujące na wcześniejszych modelach samouczenia się.

Warianty modelu: Oprócz rozbudowanej wersji ViT-G, Meta udostępnia również mniejsze wersje (ViT-B, ViT-L) oraz warianty ConvNeXt. Umożliwia to wykorzystanie modelu w różnych scenariuszach, od badań naukowych na dużą skalę po zastosowania na urządzeniach o ograniczonych zasobach.

Komercyjna i otwarta licencja: DINOv3 jest dostępny na licencji komercyjnej wraz z kodem źródłowym, wytrenowanymi modelami, adapterami i przykładowymi notatnikami. Jest to ukłon w stronę przyspieszenia badań, innowacji i integracji z produktami komercyjnymi.

Praktyczne zastosowania

DINOv3 już teraz znajduje zastosowanie w organizacjach takich jak World Resources Institute i NASA Jet Propulsion Laboratory. Model znacząco poprawił dokładność monitoringu lasów (zmniejszając błąd pomiaru wysokości drzew z 4,1 m do 1,2 m w Kenii) oraz wspiera roboty eksplorujące Marsa, przy minimalnym zapotrzebowaniu na moc obliczeniową.

Dzięki samouczeniu się na dużą skalę, DINOv3 zaciera granice między ogólnymi i specyficznymi modelami wizyjnymi. Eliminuje potrzebę korzystania z podpisów internetowych lub ręcznego etykietowania, wykorzystując nieoznakowane dane do uniwersalnego uczenia się cech. Otwiera to drzwi do zastosowań w dziedzinach, w których brak etykiet jest poważnym ograniczeniem.

Przyszłość rozpoznawania obrazów?

DINOv3 to znaczący krok naprzód w dziedzinie rozpoznawania obrazów. Jego uniwersalna architektura i podejście oparte na samouczeniu się umożliwiają badaczom i programistom rozwiązywanie problemów z niedoborem etykiet, szybkie wdrażanie wysokowydajnych modeli i łatwe dostosowywanie się do nowych dziedzin. Meta udostępnia wszystko, co potrzebne do użytku akademickiego lub przemysłowego, wspierając szeroką współpracę w społeczności AI i Computer Vision.

Pakiet DINOv3 – modele i kod – jest już dostępny do komercyjnych badań i wdrożeń, otwierając nowy rozdział dla niezawodnych i skalowalnych systemów wizyjnych opartych o sztuczną inteligencję.